針對(duì)單獨(dú)從時(shí)域、頻域、時(shí)頻域?qū)︼L(fēng)機(jī)軸承振動(dòng)信息描述的不充分性,以及傳統(tǒng)故障診斷算法精度較低的問(wèn)題,提出了基于多特征融合與XGBoost的風(fēng)機(jī)軸承故障診斷算法。首先,提取軸承振動(dòng)信號(hào)的時(shí)域、頻域以及時(shí)頻域特征,然后利用XGBoost算法對(duì)軸承故障進(jìn)行診斷,計(jì)算每個(gè)特征在樹(shù)節(jié)點(diǎn)分裂中獲取的信息增益,并根據(jù)特征信息增益對(duì)特征進(jìn)行篩選,最后采用支持向量機(jī)（SVM）,K最近鄰（KNN）,人工神經(jīng)網(wǎng)絡(luò)（ANN）等算法對(duì)篩選后的特征進(jìn)行故障診斷對(duì)比實(shí)驗(yàn)。仿真結(jié)果表明:本文算法可以提取出具有高區(qū)分性和獨(dú)立性的特征,同時(shí)在軸承故障診斷率上優(yōu)于其他算法。 

【文章來(lái)源】：傳感器與微系統(tǒng). 2020,39(07)CSCD

【文章頁(yè)數(shù)】：5 頁(yè)

【圖文】：

準(zhǔn)確率和樹(shù)深度的關(guān)系

圖2 準(zhǔn)確率和樹(shù)深度的關(guān)系根據(jù)特征重要度首先選擇特征ρ15進(jìn)行訓(xùn)練模型，并在測(cè)試集上進(jìn)行測(cè)試;然后加入特征ρ7進(jìn)行訓(xùn)練模型，并在測(cè)試集上進(jìn)行測(cè)試;以此類推直至選取到所有特征，并繪制模型在測(cè)試集上的準(zhǔn)確率曲線如圖4所示，從圖中可以看到，隨著特征個(gè)數(shù)的增多，準(zhǔn)確率也在不斷上升，特征個(gè)數(shù)為12時(shí)，波形開(kāi)始收斂，這表明這12個(gè)特征具有高區(qū)分性和獨(dú)立性，因此選取前12個(gè)特征作為軸承故障診斷的特征。

通過(guò)特征選擇確定了軸承故障診斷的12個(gè)特征分別為頻譜平均值、峰值、功率譜方差、波形指標(biāo)、功率譜重心重心、功率譜熵、標(biāo)準(zhǔn)差、平均值、脈沖指標(biāo)、^E4、絕對(duì)平均值、偏度指標(biāo)。其中包含7個(gè)時(shí)域特征、4個(gè)頻域特征以及1個(gè)時(shí)頻特征。表3為忽略特征提取所消耗的時(shí)間，單獨(dú)使用時(shí)域特征、頻域特征、時(shí)頻特征以及多特征融合四種方法采用XGBoost算法對(duì)軸承進(jìn)行故障診斷的結(jié)果對(duì)比，從表中可以看出，使用多特征融合的準(zhǔn)確率最高為99.86%，在單個(gè)樣本上的測(cè)試時(shí)間比單獨(dú)使用時(shí)域特征長(zhǎng)0.003 s，比單獨(dú)使用頻域或時(shí)頻域長(zhǎng)0.004 s，時(shí)間差較小，幾乎可以忽略不計(jì)。表4為采用多特征融合時(shí)，使用SVM,KNN,ANN以及Adaboost等算法對(duì)軸承進(jìn)行故障診斷的結(jié)果對(duì)比。XG-Boost算法與傳統(tǒng)的分類器KNN,SVM相比，測(cè)試集診斷準(zhǔn)確率可以提高0.28%～0.55%，比ANN高0.07%，而訓(xùn)練時(shí)間與ANN的124 s相比基本可以忽略不計(jì)。與Adaboost、GBDT算法相比，計(jì)算所消耗的時(shí)間有0.005～0.007 s的上升，但是診斷準(zhǔn)確率提高了0.07%～0.42%。


本文編號(hào)：3412997