針對單獨從時域、頻域、時頻域對風機軸承振動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題,提出了基于多特征融合與XGBoost的風機軸承故障診斷算法。首先,提取軸承振動信號的時域、頻域以及時頻域特征,然后利用XGBoost算法對軸承故障進行診斷,計算每個特征在樹節(jié)點分裂中獲取的信息增益,并根據(jù)特征信息增益對特征進行篩選,最后采用支持向量機（SVM）,K最近鄰（KNN）,人工神經網絡（ANN）等算法對篩選后的特征進行故障診斷對比實驗。仿真結果表明:本文算法可以提取出具有高區(qū)分性和獨立性的特征,同時在軸承故障診斷率上優(yōu)于其他算法。 

【文章來源】：傳感器與微系統(tǒng). 2020,39(07)CSCD

【文章頁數(shù)】：5 頁

【圖文】：

準確率和樹深度的關系

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

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


本文編號：3412997