往期精彩內(nèi)容：

Python-凱斯西儲(chǔ)大學(xué)（CWRU）軸承數(shù)據(jù)解讀與分類(lèi)處理

Pytorch-LSTM軸承故障一維信號(hào)分類(lèi)(一)-CSDN博客

Pytorch-CNN軸承故障一維信號(hào)分類(lèi)(二)-CSDN博客

Pytorch-Transformer軸承故障一維信號(hào)分類(lèi)(三)-CSDN博客

三十多個(gè)開(kāi)源數(shù)據(jù)集 | 故障診斷再也不用擔(dān)心數(shù)據(jù)集了！

Python軸承故障診斷 (一)短時(shí)傅里葉變換STFT-CSDN博客

Python軸承故障診斷 (二)連續(xù)小波變換CWT-CSDN博客

Python軸承故障診斷 (三)經(jīng)驗(yàn)?zāi)B(tài)分解EMD-CSDN博客

Python軸承故障診斷 (四)基于EMD-CNN的故障分類(lèi)-CSDN博客

Python軸承故障診斷 (五)基于EMD-LSTM的故障分類(lèi)-CSDN博客

Python軸承故障診斷 (六)基于EMD-Transformer的故障分類(lèi)-CSDN博客

Python軸承故障診斷 (七)基于EMD-CNN-LSTM的故障分類(lèi)-CSDN博客

Python軸承故障診斷 (八)基于EMD-CNN-GRU并行模型的故障分類(lèi)-CSDN博客

Python軸承故障診斷 (九)基于VMD+CNN-BiLSTM的故障分類(lèi)-CSDN博客

Python軸承故障診斷 (十)基于VMD+CNN-Transfromer的故障分類(lèi)-CSDN博客

基于FFT + CNN - BiGRU-Attention 時(shí)域、頻域特征注意力融合的軸承故障識(shí)別模型-CSDN博客

基于FFT + CNN - Transformer 時(shí)域、頻域特征融合的軸承故障識(shí)別模型-CSDN博客

Python軸承故障診斷 (11)基于VMD+CNN-BiGRU-Attenion的故障分類(lèi)-CSDN博客

交叉注意力融合時(shí)域、頻域特征的FFT + CNN -BiLSTM-CrossAttention軸承故障識(shí)別模型-CSDN博客

交叉注意力融合時(shí)域、頻域特征的FFT + CNN-Transformer-CrossAttention軸承故障識(shí)別模型-CSDN博客

軸承故障診斷 (12)基于交叉注意力特征融合的VMD+CNN-BiLSTM-CrossAttention故障識(shí)別模型_基于殘差混合域注意力cnn的軸承故障診斷及其時(shí)頻域可解釋性-CSDN博客

創(chuàng)新度高！！！需要發(fā)論文的同學(xué)即買(mǎi)即用

前言

軸承故障診斷面臨著一些挑戰(zhàn)。首先，軸承故障信號(hào)通常是復(fù)雜的非線(xiàn)性信號(hào)，包含豐富的頻域和時(shí)域信息。傳統(tǒng)的分析方法往往難以完整地捕捉到故障信號(hào)中的特征。其次，軸承故障信號(hào)往往伴隨著背景噪聲和干擾信號(hào)，增加了故障信號(hào)的提取和識(shí)別的難度。最后，軸承故障的類(lèi)型和程度多種多樣，需要一種靈活的方法來(lái)區(qū)分不同的故障模式。

本文基于凱斯西儲(chǔ)大學(xué)（CWRU）軸承數(shù)據(jù)，使用特征提取和機(jī)器學(xué)習(xí)方法進(jìn)行故障識(shí)，特征提取是通過(guò)從原始信號(hào)中提取有意義的特征來(lái)減少數(shù)據(jù)維度，并捕捉到信號(hào)的關(guān)鍵信息，機(jī)器學(xué)習(xí)方法能夠基于這些特征建立模型，并通過(guò)訓(xùn)練和學(xué)習(xí)來(lái)識(shí)別不同的故障模式。這種結(jié)合可以提高軸承故障診斷的準(zhǔn)確性和效率。凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)的詳細(xì)介紹可以參考下文：

Python-凱斯西儲(chǔ)大學(xué)（CWRU）軸承數(shù)據(jù)解讀與分類(lèi)處理_凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)集-CSDN博客

1?數(shù)據(jù)集和特征提取

1.1 數(shù)據(jù)集導(dǎo)入

參考之前的文章，進(jìn)行故障10分類(lèi)的預(yù)處理，凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)10分類(lèi)數(shù)據(jù)集：

數(shù)據(jù)的讀取形式以及預(yù)處理思路

根據(jù)信號(hào)時(shí)間步長(zhǎng) 1024 和 重疊率 0.5制作數(shù)據(jù)集

形成2330個(gè)樣本， 單個(gè)樣本長(zhǎng)度 1024，加上一個(gè)標(biāo)簽類(lèi)別。

1.2 故障信號(hào)特征提取

(1)?峭度（Kurtosis）：衡量信號(hào)的尖銳程度，用于檢測(cè)信號(hào)中的高頻成分

(2)?熵值（Entropy）：衡量信號(hào)的復(fù)雜程度和隨機(jī)性，用于檢測(cè)信號(hào)的頻譜特性

(3)?分形值（Fractal Dimension）：衡量信號(hào)的自相似性和復(fù)雜度，用于分析信號(hào)的分形特征

(4)?波形指標(biāo)（Waveform Indicators）：包括峰值因子、脈沖因子、裕度因子等，用于分析信號(hào)的時(shí)域特征

(5)?頻譜指標(biāo)（Spectral Indicators）：包括峰值頻率、能量比值、譜線(xiàn)形指標(biāo)等，用于分析信號(hào)的頻域特征

(6)?頻域指標(biāo)（Time-Frequency Indicators）：包括瞬時(shí)頻率、瞬時(shí)能量等，用于分析信號(hào)的時(shí)頻特征

(7)?統(tǒng)計(jì)特征（Statistical Features）：包括均值、方差、偏度等，用于描述信號(hào)的統(tǒng)計(jì)特性

(8)?小波包特征（Wavelet Packet Features）：通過(guò)小波變換提取的特征，用于分析信號(hào)的時(shí)頻局部特性

(9)?振動(dòng)特征（Vibration Features）：包括峰值振動(dòng)、有效值振動(dòng)等，用于描述信號(hào)的振動(dòng)特性

選擇了多種特征提取方法來(lái)捕捉信號(hào)的不同特征，共提取9類(lèi)13個(gè)特征指標(biāo)，來(lái)作為機(jī)器學(xué)習(xí)模型的訓(xùn)練與識(shí)別。

2超強(qiáng)模型XGBoost——原理介紹

2.1 原理介紹

論文鏈接：

XGBoost | Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining

GBoost模型（eXtreme Gradient Boosting）是一種梯度提升框架，由Tianqi Chen在2014年開(kāi)發(fā)，并在機(jī)器學(xué)習(xí)領(lǐng)域廣泛應(yīng)用。XGBoost的核心思想是通過(guò)迭代地訓(xùn)練多個(gè)弱學(xué)習(xí)器，并將它們組合起來(lái)，實(shí)現(xiàn)強(qiáng)大的預(yù)測(cè)能力。它在梯度提升算法的基礎(chǔ)上進(jìn)行了改進(jìn)和優(yōu)化，具有高效、靈活和可擴(kuò)展的特點(diǎn)。

下面是XGBoost的一些關(guān)鍵特性和原理：

1. 梯度提升：XGBoost使用了梯度提升算法，也稱(chēng)為增強(qiáng)學(xué)習(xí)（Boosting）算法。它通過(guò)迭代地訓(xùn)練多個(gè)弱學(xué)習(xí)器，并通過(guò)梯度下降的方式來(lái)優(yōu)化模型的預(yù)測(cè)能力。每個(gè)弱學(xué)習(xí)器都是在前一個(gè)弱學(xué)習(xí)器的殘差上進(jìn)行訓(xùn)練，從而逐步減小預(yù)測(cè)誤差。

2. 基于樹(shù)的模型：XGBoost采用了基于樹(shù)的模型，即決策樹(shù)。決策樹(shù)是一種非常靈活和可解釋的模型，能夠?qū)W習(xí)到復(fù)雜的非線(xiàn)性關(guān)系。XGBoost使用了CART（Classification and Regression Trees）作為默認(rèn)的基學(xué)習(xí)器，每個(gè)決策樹(shù)都是通過(guò)不斷劃分特征空間來(lái)實(shí)現(xiàn)分類(lèi)或回歸任務(wù)。

3. 正則化策略：為了防止過(guò)擬合，XGBoost引入了正則化策略。它通過(guò)控制決策樹(shù)的復(fù)雜度來(lái)限制模型的學(xué)習(xí)能力。常用的正則化策略包括限制決策樹(shù)的最大深度、葉子節(jié)點(diǎn)的最小樣本數(shù)和葉子節(jié)點(diǎn)的權(quán)重衰減等。

4. 特征選擇和分裂：XGBoost在構(gòu)建決策樹(shù)時(shí)，通過(guò)特征選擇和分裂來(lái)最大化模型的增益。特征選擇基于某種評(píng)估準(zhǔn)則（如信息增益或基尼系數(shù)），選擇對(duì)當(dāng)前節(jié)點(diǎn)的劃分最有利的特征。特征分裂則是確定特征劃分點(diǎn)的過(guò)程，使得劃分后的子節(jié)點(diǎn)能夠最大程度地減小預(yù)測(cè)誤差。

5. 并行計(jì)算：為了提高模型的訓(xùn)練速度，XGBoost使用了并行計(jì)算的策略。它通過(guò)多線(xiàn)程和分布式計(jì)算等技術(shù)，將訓(xùn)練任務(wù)分解為多個(gè)子任務(wù)，并在不同的處理器上同時(shí)進(jìn)行計(jì)算。這樣可以加快模型的訓(xùn)練速度，特別是在處理大規(guī)模數(shù)據(jù)集時(shí)表現(xiàn)優(yōu)異。

6. 自定義損失函數(shù)：XGBoost允許用戶(hù)自定義損失函數(shù)，以適應(yīng)不同的任務(wù)和需求。用戶(hù)可以根據(jù)具體問(wèn)題的特點(diǎn)，定義適合的損失函數(shù)，并在模型訓(xùn)練過(guò)程中使用它。

XGBoost模型通過(guò)梯度提升算法和基于樹(shù)的模型，在許多機(jī)器學(xué)習(xí)任務(wù)中都取得了很好的效果，包括分類(lèi)、回歸、排序和推薦等。我們利用其高效、靈活和可擴(kuò)展的特性，使用XGBoost來(lái)構(gòu)建一個(gè)梯度提升模型，通過(guò)迭代地訓(xùn)練多個(gè)決策樹(shù)來(lái)實(shí)現(xiàn)軸承故障識(shí)別。

2.2 特征數(shù)據(jù)集制作

3 模型評(píng)估和對(duì)比

3.1 隨機(jī)森林分類(lèi)模型

模型分?jǐn)?shù)、準(zhǔn)確率、精確率、召回率、F1 Score

混淆矩陣

3.2 支持向量機(jī)SVM分類(lèi)模型

模型分?jǐn)?shù)、準(zhǔn)確率、精確率、召回率、F1 Score

故障十分類(lèi)混淆矩陣：

3.3 XGBoost分類(lèi)模型

模型分?jǐn)?shù)、準(zhǔn)確率、精確率、召回率、F1 Score

故障十分類(lèi)混淆矩陣：

實(shí)驗(yàn)結(jié)果表明，所提取的各種特征都對(duì)軸承故障診斷有一定的貢獻(xiàn)。峭度、熵值和分形值能夠幫助捕捉信號(hào)的尖銳程度、復(fù)雜程度和自相似性，從而有效地區(qū)分不同類(lèi)型的故障。波形指標(biāo)、頻譜指標(biāo)和頻域指標(biāo)能夠提供信號(hào)的時(shí)域和頻域特征，有助于識(shí)別故障的時(shí)頻特性。統(tǒng)計(jì)特征、小波包特征和振動(dòng)特征則能夠描述信號(hào)的統(tǒng)計(jì)特性和振動(dòng)特性，從而更好地區(qū)分故障模式。

對(duì)比可以看出來(lái)，?XGBoost分類(lèi)模型性能最好，在訓(xùn)練集、測(cè)試集上的表現(xiàn)最優(yōu)，模型分?jǐn)?shù)也是最高，在軸承故障診斷中取得了良好的效果。通過(guò)準(zhǔn)確地捕捉到信號(hào)的特征和模式，能夠?qū)Σ煌?lèi)型和程度的軸承故障進(jìn)行準(zhǔn)確的識(shí)別和分類(lèi)，準(zhǔn)確率達(dá)到100%，速度快，性能好，創(chuàng)新度高。

4 代碼、數(shù)據(jù)整理如下：