公司建设网站首页,国家企业公示平台官网,有没有给做淘宝网站的,平面设计提升班往期精彩内容#xff1a;
Python-凯斯西储大学#xff08;CWRU#xff09;轴承数据解读与分类处理
Pytorch-LSTM轴承故障一维信号分类(一)-CSDN博客
Pytorch-CNN轴承故障一维信号分类(二)-CSDN博客
Pytorch-Transformer轴承故障一维信号分类(三)-CSDN博客
三十多个开源… 往期精彩内容
Python-凯斯西储大学CWRU轴承数据解读与分类处理
Pytorch-LSTM轴承故障一维信号分类(一)-CSDN博客
Pytorch-CNN轴承故障一维信号分类(二)-CSDN博客
Pytorch-Transformer轴承故障一维信号分类(三)-CSDN博客
三十多个开源数据集 | 故障诊断再也不用担心数据集了
Python轴承故障诊断 (一)短时傅里叶变换STFT-CSDN博客
Python轴承故障诊断 (二)连续小波变换CWT-CSDN博客
Python轴承故障诊断 (三)经验模态分解EMD-CSDN博客
Python轴承故障诊断 (四)基于EMD-CNN的故障分类-CSDN博客
Python轴承故障诊断 (五)基于EMD-LSTM的故障分类-CSDN博客
Python轴承故障诊断 (六)基于EMD-Transformer的故障分类-CSDN博客
Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类-CSDN博客
Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类-CSDN博客
Python轴承故障诊断 (九)基于VMDCNN-BiLSTM的故障分类-CSDN博客
Python轴承故障诊断 (十)基于VMDCNN-Transfromer的故障分类-CSDN博客
基于FFT CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型-CSDN博客
基于FFT CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客
Python轴承故障诊断 (11)基于VMDCNN-BiGRU-Attenion的故障分类-CSDN博客
交叉注意力融合时域、频域特征的FFT CNN -BiLSTM-CrossAttention轴承故障识别模型-CSDN博客
交叉注意力融合时域、频域特征的FFT CNN-Transformer-CrossAttention轴承故障识别模型-CSDN博客
轴承故障诊断 (12)基于交叉注意力特征融合的VMDCNN-BiLSTM-CrossAttention故障识别模型_基于残差混合域注意力cnn的轴承故障诊断及其时频域可解释性-CSDN博客 创新度高需要发论文的同学即买即用 前言
轴承故障诊断面临着一些挑战。首先轴承故障信号通常是复杂的非线性信号包含丰富的频域和时域信息。传统的分析方法往往难以完整地捕捉到故障信号中的特征。其次轴承故障信号往往伴随着背景噪声和干扰信号增加了故障信号的提取和识别的难度。最后轴承故障的类型和程度多种多样需要一种灵活的方法来区分不同的故障模式。 本文基于凯斯西储大学CWRU轴承数据使用特征提取和机器学习方法进行故障识特征提取是通过从原始信号中提取有意义的特征来减少数据维度并捕捉到信号的关键信息机器学习方法能够基于这些特征建立模型并通过训练和学习来识别不同的故障模式。这种结合可以提高轴承故障诊断的准确性和效率。凯斯西储大学轴承数据的详细介绍可以参考下文
Python-凯斯西储大学CWRU轴承数据解读与分类处理_凯斯西储大学轴承数据集-CSDN博客 1 数据集和特征提取
1.1 数据集导入
参考之前的文章进行故障10分类的预处理凯斯西储大学轴承数据10分类数据集 数据的读取形式以及预处理思路 根据信号时间步长 1024 和 重叠率 0.5制作数据集 形成2330个样本 单个样本长度 1024加上一个标签类别。 1.2 故障信号特征提取
(1) 峭度Kurtosis衡量信号的尖锐程度用于检测信号中的高频成分 (2) 熵值Entropy衡量信号的复杂程度和随机性用于检测信号的频谱特性 (3) 分形值Fractal Dimension衡量信号的自相似性和复杂度用于分析信号的分形特征 (4) 波形指标Waveform Indicators包括峰值因子、脉冲因子、裕度因子等用于分析信号的时域特征 (5) 频谱指标Spectral Indicators包括峰值频率、能量比值、谱线形指标等用于分析信号的频域特征 (6) 频域指标Time-Frequency Indicators包括瞬时频率、瞬时能量等用于分析信号的时频特征 (7) 统计特征Statistical Features包括均值、方差、偏度等用于描述信号的统计特性 (8) 小波包特征Wavelet Packet Features通过小波变换提取的特征用于分析信号的时频局部特性 (9) 振动特征Vibration Features包括峰值振动、有效值振动等用于描述信号的振动特性 选择了多种特征提取方法来捕捉信号的不同特征共提取9类13个特征指标来作为机器学习模型的训练与识别。 2超强模型XGBoost——原理介绍
2.1 原理介绍
论文链接
XGBoost | Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining GBoost模型eXtreme Gradient Boosting是一种梯度提升框架由Tianqi Chen在2014年开发并在机器学习领域广泛应用。XGBoost的核心思想是通过迭代地训练多个弱学习器并将它们组合起来实现强大的预测能力。它在梯度提升算法的基础上进行了改进和优化具有高效、灵活和可扩展的特点。 下面是XGBoost的一些关键特性和原理 1. 梯度提升XGBoost使用了梯度提升算法也称为增强学习Boosting算法。它通过迭代地训练多个弱学习器并通过梯度下降的方式来优化模型的预测能力。每个弱学习器都是在前一个弱学习器的残差上进行训练从而逐步减小预测误差。 2. 基于树的模型XGBoost采用了基于树的模型即决策树。决策树是一种非常灵活和可解释的模型能够学习到复杂的非线性关系。XGBoost使用了CARTClassification and Regression Trees作为默认的基学习器每个决策树都是通过不断划分特征空间来实现分类或回归任务。 3. 正则化策略为了防止过拟合XGBoost引入了正则化策略。它通过控制决策树的复杂度来限制模型的学习能力。常用的正则化策略包括限制决策树的最大深度、叶子节点的最小样本数和叶子节点的权重衰减等。 4. 特征选择和分裂XGBoost在构建决策树时通过特征选择和分裂来最大化模型的增益。特征选择基于某种评估准则如信息增益或基尼系数选择对当前节点的划分最有利的特征。特征分裂则是确定特征划分点的过程使得划分后的子节点能够最大程度地减小预测误差。 5. 并行计算为了提高模型的训练速度XGBoost使用了并行计算的策略。它通过多线程和分布式计算等技术将训练任务分解为多个子任务并在不同的处理器上同时进行计算。这样可以加快模型的训练速度特别是在处理大规模数据集时表现优异。 6. 自定义损失函数XGBoost允许用户自定义损失函数以适应不同的任务和需求。用户可以根据具体问题的特点定义适合的损失函数并在模型训练过程中使用它。 XGBoost模型通过梯度提升算法和基于树的模型在许多机器学习任务中都取得了很好的效果包括分类、回归、排序和推荐等。我们利用其高效、灵活和可扩展的特性使用XGBoost来构建一个梯度提升模型通过迭代地训练多个决策树来实现轴承故障识别。 2.2 特征数据集制作 3 模型评估和对比
3.1 随机森林分类模型
模型分数、准确率、精确率、召回率、F1 Score 混淆矩阵 3.2 支持向量机SVM分类模型
模型分数、准确率、精确率、召回率、F1 Score 故障十分类混淆矩阵 3.3 XGBoost分类模型
模型分数、准确率、精确率、召回率、F1 Score 故障十分类混淆矩阵 实验结果表明所提取的各种特征都对轴承故障诊断有一定的贡献。峭度、熵值和分形值能够帮助捕捉信号的尖锐程度、复杂程度和自相似性从而有效地区分不同类型的故障。波形指标、频谱指标和频域指标能够提供信号的时域和频域特征有助于识别故障的时频特性。统计特征、小波包特征和振动特征则能够描述信号的统计特性和振动特性从而更好地区分故障模式。 对比可以看出来 XGBoost分类模型性能最好在训练集、测试集上的表现最优模型分数也是最高在轴承故障诊断中取得了良好的效果。通过准确地捕捉到信号的特征和模式能够对不同类型和程度的轴承故障进行准确的识别和分类准确率达到100%速度快性能好创新度高。 4 代码、数据整理如下
