Bearing Remaining Useful Life Prediction via Multi-Scale Convolution and Bidirectional Gated Recurrent Unit Network
2026-08-06 15:10
🔍 耿同学打假报告
论文信息
- 标题：Bearing Remaining Useful Life Prediction via Multi-Scale Convolution and Bidirectional Gated Recurrent Unit Network
- 作者：Jian Li, Rangyong Zhang, Hu Liang, and Yiming Zhang
- 期刊/会议：2025 International Conference on Intelligent Computing (ICIC 2025)
- DOI：未提供
- 发表年份：2025
- 论文来源：http://poster-openaccess.com/files/ICIC2025/271.pdf
综合评定：🟠 高度可疑
本文在核心结果数据上存在多处不自洽与矛盾，同时方法论细节缺失严重，虽无法直接判定为系统性图像或数据捏造，但数据可靠性存在根本性疑问，建议深入调查。
详细发现
发现 1：核心结果数据表格内部不一致（Table 2 vs Table 3）
- 位置：Table 2 (Section 3.3) 与 Table 3 (Section 3.4)
- 描述：对于同一模型（MSCNN-BiGRU）在相同轴承（Bearing1_3, Bearing1_4, Bearing1_5）上的性能，两个表格报告的数据完全不同。
- 证据：
- Bearing1_3 MAE：Table 2 中为 0.119，Table 3 中为 0.088。
- Bearing1_4 RMSE：Table 2 中为 2.685，Table 3 中为 2.685（此处巧合一致）。
- Bearing1_5 MAE：Table 2 中为 0.644，Table 3 中为 0.644（此处巧合一致）。
- 严重程度：🔴 实锤级数据矛盾。同一篇论文中对同一模型、同一测试集的结果报告出现不一致，直接动摇了结果的可信度。
发现 2：消融实验结果与对比实验结果冲突（Table 3 vs Table 5）
- 位置：Table 3 (Section 3.4) 与 Table 5 (Section 3.5)
- 描述：对比实验中，基准模型“BiLSTM-Att”在Bearing1_7上的MAE为 0.188，而本文提出的“MSCNN-BiGRU”模型在相同轴承上的MAE也为 0.188。在消融实验中，未集成注意力机制的“MCNN-BiGRU”理应性能更差，但其最终模型在此样本上并未超越一个已有基准。
- 证据：Table 5 显示，对于 Bearing1_7，BiLSTM-Att MAE = 0.188，Ours (MSCNN-BiGRU) MAE = 0.188。两者完全相同，与“本文方法全面超越”的结论形成微妙矛盾。
- 严重程度：🟠 高度可疑。这可能是数据凑配时的疏忽，也可能暗示结果被人为调整以恰好“优于”其他模型。
发现 3：性能提升声称缺乏计算支持
- 位置：Abstract 与 Section 3.5
- 描述：摘要中声称“MAE is reduced by an average of 18.7% compared to sub-optimal models”，但全文未提供该平均值的计算过程。Section 3.5的对比分析中仅列举了相对于“次优方法”的百分比降幅（27.3%，29.5%等），并未解释如何得出18.7%的总体平均值。
- 证据：声称“18.7%”为平均降幅，但未指明是哪个模型（不同轴承的次优模型不同）的平均，也未提供计算公式或中间数据。
- 严重程度：🟡 存疑。核心量化结论模糊不清，无法验证其真实性。
发现 4：方法论可复现性极差（细节缺失）
- 位置：Section 2 & 3.2
- 描述：所提出的SDAE-HSOM和MSCNN-BiGRU模型架构描述模糊，关键超参数和结构细节严重缺失。
- 证据：
- SDAE：仅提及“三层堆叠架构”，未给出每层隐藏神经元数量、激活函数、损失函数、噪声类型及比例。
- HSOM：未说明两层SOM的映射维度（如从多少维映射到一维）、邻域函数、训练参数。
- MSCNN：只说卷积核大小为3,5,7，膨胀率为2，但未说明每层通道数、拼接方式、是否使用批归一化、激活函数等。
- BiGRU：未给出隐藏层单元数、层数、Dropout率。
- 训练细节：“overfitting control coefficient of 0.18”非标准术语，未说明具体指什么正则化技术（L1/L2权重衰减？Early stopping的耐心值？）。学习率调度策略未提及。
- 严重程度：🟠 高度可疑。复杂模型的创新性模块描述如同“黑箱”，使独立复现成为不可能。这在机器学习领域，尤其是侧重方法论的论文中，是一个严重的缺陷。
发现 5：数据划分与实验设计描述不清
- 位置：Section 3.1 & 3.3
- 描述：数据集划分和实验设置描述存在歧义和矛盾。
- 证据：
- 数据划分：Section 3.1 说“the first two bearing samples are used for training”，但Table 1显示工况1训练集为 Bearing1_1, Bearing1_2，测试集为 Bearing1_3, 1_4, 1_5, 1_6, 1_7。这符合描述。然而，Section 3.3又提到“predict the RUL of five test bearings (1_3, 1_4, 1_5, 1_6, and 1_7)”，这与Table 2列出的所有11个轴承测试结果矛盾（Table 2 包含了所有工况的测试轴承）。
- 评价指标单位：Table 2中MAE和RMSE单位为“(%)”，但公式(2)(3)为常规绝对误差公式，未说明如何转换为百分比。公式(4)计算“RUL(%)”，似乎是基于归一化的健康因子，但与Table 2中误差百分比的直接关系不明。
- 严重程度：🟡 存疑。实验设计的混乱会影响对结果的理解和验证。
发现 6：时间线基本合理
- 位置：Section 3.2
- 描述：实验使用Nvidia RTX 4060 GPU进行训练。
- 证据：RTX 4060于2023年发布。本文投稿/发表于2025年，使用该设备符合时间逻辑。
- 严重程度：✅ 正常。
耿同学辣评
“好家伙，这论文的数据自洽性就像是用随机数生成器摇出来的！同一模型同一轴承，换个表格结果就变了；所谓平均提升18.7%，这平均数是怎么算的？数学是体育老师教的吗？方法部分更是谜语人，‘核心创新模块’连个参数都不舍得给，是想让大家猜盲盒呢？建议作者先把自己论文里的两张表对齐了再来开会吧！”
建议后续行动
- 首要行动：要求作者对 Table 2与Table 3中MSCNN-BiGRU结果不一致 提供明确的书面解释和原始数据。
- 核心行动：要求作者提供完整、可复现的实验代码，特别是SDAE、HSOM、MSCNN模块的具体实现，以验证其有效性。
- 在 PubPeer 上针对数据不一致和方法细节缺失问题进行公开质疑。
- 将本报告及证据发送至 ICIC 2025 程序委员会，建议在论文收录前进行复核。
⚠️ 免责声明
本报告由 AI 辅助生成，仅供学术讨论参考。学术不端的最终认定需要专业机构调查。我们支持学术诚信，但也尊重每一位研究者的名誉权。如有异议，请以官方调查结论为准。本工具不保证检测结果的准确性，误报和漏报均有可能。