在轴承故障诊断中的预测和健康管理（PHM）中，数据驱动模型的整体性能受到预处理、模型配置和决策融合的耦合效应的强烈影响。然而，这些组件通常是独立优化的，导致碎片化的工作流程，从而限制了模型的全局最优性、可重复性和计算效率。本研究提出了一种计算统一的三阶段顺序优化框架，该框架系统地协调了预处理选择、模型超参数优化和在一致的基于代理的优化架构中的决策级融合。在第一阶段，反映物理故障机制的候选预处理方案——外圈、内圈、滚动元件和笼故障——使用无训练的类别可分离度评分（CSS）进行评估，该方法能够高效筛选而不引入模型偏倚。在第二阶段，分别通过最大化交叉验证性能来优化两个互补架构的超参数——在时频域中操作的基于EfficientNetV2的卷积神经网络（CNN）和在时域中操作的基于门控循环单元（GRU）的递归神经网络（RNN）。在第三阶段，使用折叠外后验概率构建基于堆叠的后融合模型，以学习利用跨模型互补性的最佳决策规则。所有阶段都由一个统一的优化容器管理，该容器集成了拉丁超立方体抽样（LHS）、具有期望改进的克里金代理建模和采用Hyperband的贝叶斯优化（BOHB），实现了在多保真度计算预算下的代理辅助探索。对基准数据集（包括西北大学案例研究（CWRU）和MAFAULDA）的数值实验表明，顺序优化过程具有稳定的收敛行为，并且在单模型基线上的性能一致改善。通过在所有阶段固定数据分区、随机种子和归一化边界来确保可重复性。所提出的框架为轴承故障诊断提供了一种结构化和可重复的计算建模方法，强调了跨多个阶段协调优化如何提高复杂PHM工作流程的鲁棒性和效率。
李等（周四）研究了这个问题。