基于多特征融合与XGBoost的风机轴承故障诊断

发布时间：2021-09-29 02:12

　　针对单独从时域、频域、时频域对风机轴承振动信息描述的不充分性,以及传统故障诊断算法精度较低的问题,提出了基于多特征融合与XGBoost的风机轴承故障诊断算法。首先,提取轴承振动信号的时域、频域以及时频域特征,然后利用XGBoost算法对轴承故障进行诊断,计算每个特征在树节点分裂中获取的信息增益,并根据特征信息增益对特征进行筛选,最后采用支持向量机（SVM）,K最近邻（KNN）,人工神经网络（ANN）等算法对筛选后的特征进行故障诊断对比实验。仿真结果表明:本文算法可以提取出具有高区分性和独立性的特征,同时在轴承故障诊断率上优于其他算法。 

【文章来源】：传感器与微系统. 2020,39(07)CSCD

【文章页数】：5 页

【图文】：

准确率和树深度的关系

图2 准确率和树深度的关系根据特征重要度首先选择特征ρ15进行训练模型，并在测试集上进行测试;然后加入特征ρ7进行训练模型，并在测试集上进行测试;以此类推直至选取到所有特征，并绘制模型在测试集上的准确率曲线如图4所示，从图中可以看到，随着特征个数的增多，准确率也在不断上升，特征个数为12时，波形开始收敛，这表明这12个特征具有高区分性和独立性，因此选取前12个特征作为轴承故障诊断的特征。

通过特征选择确定了轴承故障诊断的12个特征分别为频谱平均值、峰值、功率谱方差、波形指标、功率谱重心重心、功率谱熵、标准差、平均值、脉冲指标、^E4、绝对平均值、偏度指标。其中包含7个时域特征、4个频域特征以及1个时频特征。表3为忽略特征提取所消耗的时间，单独使用时域特征、频域特征、时频特征以及多特征融合四种方法采用XGBoost算法对轴承进行故障诊断的结果对比，从表中可以看出，使用多特征融合的准确率最高为99.86%，在单个样本上的测试时间比单独使用时域特征长0.003 s，比单独使用频域或时频域长0.004 s，时间差较小，几乎可以忽略不计。表4为采用多特征融合时，使用SVM,KNN,ANN以及Adaboost等算法对轴承进行故障诊断的结果对比。XG-Boost算法与传统的分类器KNN,SVM相比，测试集诊断准确率可以提高0.28%～0.55%，比ANN高0.07%，而训练时间与ANN的124 s相比基本可以忽略不计。与Adaboost、GBDT算法相比，计算所消耗的时间有0.005～0.007 s的上升，但是诊断准确率提高了0.07%～0.42%。


本文编号：3412997