往期精彩內(nèi)容：

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

Pytorch-LSTM軸承故障一維信號分類(一)-CSDN博客

Pytorch-CNN軸承故障一維信號分類(二)-CSDN博客

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

三十多個開源數(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?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-CSDN博客

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

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

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

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

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

基于FFT + CNN - BiGRU-Attention 時域、頻域特征注意力融合的軸承故障識別模型-CSDN博客

基于FFT + CNN - Transformer 時域、頻域特征融合的軸承故障識別模型-CSDN博客

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

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

交叉注意力融合時域、頻域特征的FFT + CNN-Transformer-CrossAttention軸承故障識別模型-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故障識別模型_基于殘差混合域注意力cnn的軸承故障診斷及其時頻域可解釋性-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，軸承故障信號通常是復(fù)雜的非線性信號，包含豐富的頻域和時域信息。傳統(tǒng)的分析方法往往難以完整地捕捉到故障信號中的特征。其次，軸承故障信號往往伴隨著背景噪聲和干擾信號，增加了故障信號的提取和識別的難度。最后，軸承故障的類型和程度多種多樣，需要一種靈活的方法來區(qū)分不同的故障模式。

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

Python-凱斯西儲大學(xué)（CWRU）軸承數(shù)據(jù)解讀與分類處理_凱斯西儲大學(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，進行故障10分類的預(yù)處理，凱斯西儲大學(xué)軸承數(shù)據(jù)10分類數(shù)據(jù)集：

數(shù)據(jù)的讀取形式以及預(yù)處理思路

根據(jù)信號時間步長 1024 和 重疊率 0.5制作數(shù)據(jù)集

形成2330個樣本， 單個樣本長度 1024，加上一個標(biāo)簽類別。

1.2 故障信號特征提取

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

(2)?熵值（Entropy）：衡量信號的復(fù)雜程度和隨機性，用于檢測信號的頻譜特性

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

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

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

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

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

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

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

選擇了多種特征提取方法來捕捉信號的不同特征，共提取9類13個特征指標(biāo)，來作為機器學(xué)習(xí)模型的訓(xùn)練與識別。

2超強模型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年開發(fā)，并在機器學(xué)習(xí)領(lǐng)域廣泛應(yīng)用。XGBoost的核心思想是通過迭代地訓(xùn)練多個弱學(xué)習(xí)器，并將它們組合起來，實現(xiàn)強大的預(yù)測能力。它在梯度提升算法的基礎(chǔ)上進行了改進和優(yōu)化，具有高效、靈活和可擴展的特點。

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，也稱為增強學(xué)習(xí)（Boosting）算法。它通過迭代地訓(xùn)練多個弱學(xué)習(xí)器，并通過梯度下降的方式來優(yōu)化模型的預(yù)測能力。每個弱學(xué)習(xí)器都是在前一個弱學(xué)習(xí)器的殘差上進行訓(xùn)練，從而逐步減小預(yù)測誤差。

2. 基于樹的模型：XGBoost采用了基于樹的模型，即決策樹。決策樹是一種非常靈活和可解釋的模型，能夠?qū)W習(xí)到復(fù)雜的非線性關(guān)系。XGBoost使用了CART（Classification and Regression Trees）作為默認的基學(xué)習(xí)器，每個決策樹都是通過不斷劃分特征空間來實現(xiàn)分類或回歸任務(wù)。

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

4. 特征選擇和分裂：XGBoost在構(gòu)建決策樹時，通過特征選擇和分裂來最大化模型的增益。特征選擇基于某種評估準(zhǔn)則（如信息增益或基尼系數(shù)），選擇對當(dāng)前節(jié)點的劃分最有利的特征。特征分裂則是確定特征劃分點的過程，使得劃分后的子節(jié)點能夠最大程度地減小預(yù)測誤差。

5. 并行計算：為了提高模型的訓(xùn)練速度，XGBoost使用了并行計算的策略。它通過多線程和分布式計算等技術(shù)，將訓(xùn)練任務(wù)分解為多個子任務(wù)，并在不同的處理器上同時進行計算。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)集時表現(xiàn)優(yōu)異。

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

XGBoost模型通過梯度提升算法和基于樹的模型，在許多機器學(xué)習(xí)任務(wù)中都取得了很好的效果，包括分類、回歸、排序和推薦等。我們利用其高效、靈活和可擴展的特性，使用XGBoost來構(gòu)建一個梯度提升模型，通過迭代地訓(xùn)練多個決策樹來實現(xiàn)軸承故障識別。

2.2 特征數(shù)據(jù)集制作

3 模型評估和對比

3.1 隨機森林分類模型

模型分數(shù)、準(zhǔn)確率、精確率、召回率、F1 Score

混淆矩陣

3.2 支持向量機SVM分類模型

模型分數(shù)、準(zhǔn)確率、精確率、召回率、F1 Score

故障十分類混淆矩陣：

3.3 XGBoost分類模型

模型分數(shù)、準(zhǔn)確率、精確率、召回率、F1 Score

故障十分類混淆矩陣：

實驗結(jié)果表明，所提取的各種特征都對軸承故障診斷有一定的貢獻。峭度、熵值和分形值能夠幫助捕捉信號的尖銳程度、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)能夠提供信號的時域和頻域特征，有助于識別故障的時頻特性。統(tǒng)計特征、小波包特征和振動特征則能夠描述信號的統(tǒng)計特性和振動特性，從而更好地區(qū)分故障模式。

對比可以看出來，?XGBoost分類模型性能最好，在訓(xùn)練集、測試集上的表現(xiàn)最優(yōu)，模型分數(shù)也是最高，在軸承故障診斷中取得了良好的效果。通過準(zhǔn)確地捕捉到信號的特征和模式，能夠?qū)Σ煌愋秃统潭鹊妮S承故障進行準(zhǔn)確的識別和分類，準(zhǔn)確率達到100%，速度快，性能好，創(chuàng)新度高。

4 代碼、數(shù)據(jù)整理如下：