百度360必应搜狗淘宝本站头条
nodejsbufferorg.jsoupsetnocountoncv2.bitwise_nottime.strptime
当前位置：网站首页 > 编程字典 > 正文

Python环境下基于机器学习(决策树，随机森林等)的轴承故障诊断

toyiye 2024-06-21 12:26 9 浏览 0 评论

故障特征提取就是从振动信号中提取时、频域统计特征，并利用能量值、谱峭度、幅值等指标，提取出故障特征集。对故障特征值进行全面准确地提取，是提高诊断精度的关键，也是整个滚动轴承故障诊断过程中较困难的部分。

一些常见的时域特征和频域特征计算如下：

此外：

时域特征
时域特征提取 - Data螺丝钉的文章 - 知乎 https://zhuanlan.zhihu.com/p/398752292
频域特征：
信号进行频域分析，能提取哪些特征，有什么物理意义呢？ - Xinquan的回答 - 知乎 https://www.zhihu.com/question/60550840/answer/177778560
能量特征（小波包子频带能量）
分形特征
熵特征
XSpecEn：两个序列之间的交叉谱熵(cross-spectral entropy)
XSampEn：两个序列之间的交叉样本熵（cross-sample entropy）
参考论文：Physiological time-series analysis using approximate entropy and sample entropy
XPermEn：两个序列之间的交叉排列熵（cross-permutation entropy）
参考论文：The coupling analysis of stock market indices based on cross-permutation entropy
XMSEn：两个序列之间的多尺度交叉熵（multiscale cross-entropy）
参考论文：Multiscale cross entropy: a novel algorithm for analyzing two time series
XK2En：两个序列之间的交叉Kolmogorov熵（cross-Kolmogorov (K2) entropy）
XFuzzEn：两个序列之间的交叉模糊熵（cross-fuzzy entropy）
参考论文:Cross-fuzzy entropy: A new method to test pattern synchrony of bivariate time series
XDistEn：两个序列之间的交叉分布熵（cross-distribution entropy）
参考论文:Analysis of financial stock markets through the multiscale cross-distribution entropy based on the Tsallis entropy
XDistEn：两个序列之间的交叉条件熵（corrected cross-conditional entropy）
参考论文:Conditional entropy approach for the evaluation of the coupling strength
XApEn：两个序列之间的交叉近似熵（cross-approximate entropy）
参考论文:Randomness and degrees of irregularity
SyDyEn：符号动力熵（symbolic dynamic entropy）
参考论文:A fault diagnosis scheme for planetary gearboxes using modified multi-scale symbolic dynamic entropy and mRMR feature selection.
SpecEn:单一序列的谱熵（spectral entropy）
参考论文：A spectral entropy method for distinguishing regular and irregular motion of Hamiltonian systems.
SlopEn：斜率熵（Slope Entropy）
SampEn2D：数据矩阵的二维样本熵（bidimensional sample entropy of a data matrix）
SampEn：单一序列的样本熵（sample entropy）
rXMSEn：细化多尺度交叉熵（refined multiscale cross-entropy）
PhasEn：相位熵（phase entropy）
PermEn2D：二维排列熵（ bidimensional permutation entropy）
IncrEn：增量熵（increment entropy）
hXMSEn：两个序列的层次交叉熵（hierarchical cross-entropy）
GridEn：网格分布熵（gridded distribution entropy）
EspEn2D：二维Espinosa 熵（bidimensional Espinosa entropy）
DispEn2D：二维色散熵（bidimensional dispersion entropy）
cXMSEn：复合多尺度交叉熵（composite multiscale cross-entropy）
CoSiEn：余弦相似熵（cosine similarity entropy ）
BubbEn：气泡熵（bubble entropy）
AttnEn：注意力熵（ attention entropy）
时频域特征
多分辨分析在信号处理中的应用-第1篇 https://zhuanlan.zhihu.com/p/55

鉴于此，本项目在Python环境下采用基于机器学习（决策树，随机森林，KNN和SVM）对轴承进行故障诊断，并利用网格搜索算法对机器学习进行调优，项目所使用的数据非原始数据，是经过特征提取的（峭度等特征），训练集如下：

测试数据如下：

代码如下：

#导入相关模块
import numpy as np 
import pandas as pd 
import seaborn as sns
from pylab import rcParams
import matplotlib.pyplot as plt
import matplotlib as mpl
from sklearn.preprocessing import OrdinalEncoder
from sklearn.preprocessing import StandardScaler

#加载训练数据importing training data
train_data = pd.read_csv(r'training set.csv')


#对故障类型进行编码encoding type of faults
ord_enc = OrdinalEncoder()
train_data[["fault", "fault_code"]]

train_data['fault_code'].unique()

#每个故障类型的数据点个数
train_data[['fault_code', 'fault']].value_counts()
#特征标准化Scaling
scaler = StandardScaler()
scaled_df = pd.DataFrame(scaler.fit_transform(train_data.iloc[:,:-2]))
scaled_df.head()

#替换列名称
scaled_df.columns = train_data.drop(['fault', 'fault_code'],1).columns

scaled_train_data  = pd.concat([scaled_df, train_data[['fault', 'fault_code']]], 1)
scaled_train_data


## 探索性数据分析
#协相关矩阵
rcParams['figure.figsize'] = 12, 10
sns.heatmap(scaled_train_data.iloc[:,:-2].corr(),annot=True,cmap='RdYlGn')
fig=plt.gcf()
plt.show()

#两两关系图pairplot
rcParams['figure.figsize'] = 6, 5
sns.pairplot(scaled_train_data.drop('fault_code',1),hue='fault',palette='Dark2')
plt.show()

#处理测试数据
#加载测试数据
test_data = pd.read_csv(r'testing set.csv')
test_data

test_data['fault'].value_counts()

#编码
test_data["fault_code"] = ord_enc.transform(test_data[["fault"]])

#数据标准化
scaled_df = pd.DataFrame(scaler.transform(test_data.iloc[:,:-2]))
scaled_df.head()

#替换列名称
scaled_df.columns = test_data.drop(['fault', 'fault_code'],1).columns

scaled_test_data  = pd.concat([scaled_df, test_data[['fault', 'fault_code']]], 1)
scaled_test_data


#X_train训练数据
X_train = scaled_train_data.drop(['sd', 'skewness','fault','fault_code'],1)
X_train.head()
#y_train训练标签
y_train = scaled_train_data['fault_code']
y_train.head()

#X_test测试数据
X_test = scaled_test_data.drop(['sd','skewness','fault','fault_code'],1)
X_test.head()

#y_test测试标签
y_test = scaled_test_data['fault_code']
y_test.head()

##############决策树分类
from sklearn.tree import DecisionTreeClassifier
dt_clf = DecisionTreeClassifier().fit(X_train, y_train)

#预测
dt_predictions = dt_clf.predict(X_test)
print(dt_predictions)

#Train Score Vs Test Score
print('Train Score:',dt_clf.score(X_train, y_train), 'Test Score:',dt_clf.score(X_test, y_test))

#混淆矩阵Confusion Matrix
fig, ax = plt.subplots(figsize=(5,5))
from sklearn.metrics import plot_confusion_matrix
plot_confusion_matrix(dt_clf, X_test, y_test, ax=ax)

#性能分数
from sklearn.metrics import classification_report
labels= ['outer race', 'inner race', 'healthy']
print(classification_report(y_test, dt_predictions, target_names=labels))

# 根据随机搜索的结果创建参数网格
params = {
    'min_samples_leaf': [1, 2, 3, 4, 5, 10],
    'criterion': ["gini", "entropy"],
    'max_depth':[1, 2, 3, 4,6,8],
    'min_samples_split': [2, 3, 4]    
}

# 实例化网格搜索模型
from sklearn.model_selection import GridSearchCV

dt_best_clf = GridSearchCV(estimator=dt_clf, 
                           param_grid=params, 
                           cv=4, n_jobs=-1, verbose=1, scoring = "accuracy")
dt_best_clf.fit(X_train, y_train)


#最优估计参数
dt_best_clf.best_estimator_

dt_best_clf = DecisionTreeClassifier(max_depth=2,min_samples_split=4 , random_state=42).fit(X_train, y_train)

#预测
dt_best_predictions = dt_best_clf.predict(X_test)
print(dt_best_predictions)

#Train Score Vs Test Score
print('Train Score:',dt_best_clf.score(X_train, y_train), 'Test Score:',dt_best_clf.score(X_test, y_test))

#混淆矩阵
fig, ax = plt.subplots(figsize=(5,5))
plot_confusion_matrix(dt_best_clf, X_test, y_test, ax=ax)

#性能分数
print(classification_report(y_test, dt_best_predictions, target_names=labels))

#绘制决策树
from sklearn import tree
fig = plt.figure(figsize=(10,10))
_ = tree.plot_tree(dt_best_clf,
                   feature_names=X_train.columns,
                   class_names=['inner race', 'outer race', 'healthy'],
                   filled=True)

########################################随机森林分类
#导入随机森林分类器importing Random Forest Classifier
from sklearn.ensemble import RandomForestClassifier
rf_clf = RandomForestClassifier(random_state = 2)

#随机森林训练
rf_clf.fit(X_train, y_train)
#测试集预测
rf_predictions = rf_clf.predict(X_test)

#Train score Vs Test score
print('Train score:',rf_clf.score(X_train, y_train), 'Test Score:',rf_clf.score(X_test, y_test))


#混淆矩阵
fig, ax = plt.subplots(figsize=(5,5))
plot_confusion_matrix(rf_clf, X_test, y_test, ax=ax)

#性能分数
print(classification_report(y_test, rf_predictions, target_names=labels))

#搜索参数
n_estimators = [1, 5, 10, 20, 100, 120] 
max_depth = [1, 2, 3] 
min_samples_split = [2, 3, 4, 6, 8] 
min_samples_leaf = [ 1, 2, 3] 

random_grid = {'n_estimators': n_estimators,'max_depth': max_depth,'min_samples_split': min_samples_split,
'min_samples_leaf': min_samples_leaf,}

#使用随机搜索算法using RandomizedSearchCV
from sklearn.model_selection import RandomizedSearchCV
rf_best_clf = RandomizedSearchCV(estimator = rf_clf,param_distributions = random_grid,
               n_iter = 1000, cv = 10, verbose=5, n_jobs = -1)

#训练集拟合fitting train set
rf_best_clf.fit(X_train, y_train)

print ('Random grid: ', random_grid, '\n')
#输出最优参数print the best parameters
print ('Best Parameters: ', rf_best_clf.best_params_, ' \n')

#测试
rf_best_clf = RandomForestClassifier(n_estimators:=100, min_samples_split= 4, min_samples_leaf=2, max_depth= 1, 
                                     random_state=90).fit(X_train, y_train)
rf_best_predictions = rf_best_clf.predict(X_test)
print(rf_best_predictions)

#Train score Vs test score
print('Train score:',rf_best_clf.score(X_train, y_train), 'Test score:',rf_best_clf.score(X_test, y_test))

#混淆矩阵onfusion Matrix
fig, ax = plt.subplots(figsize=(5,5))
plot_confusion_matrix(rf_best_clf, X_test, y_test, ax=ax)

#性能分数
print(classification_report(y_test, rf_best_predictions, target_names=labels))


########################################KNN分类
#导入KNeighborsClassifier
from sklearn.neighbors import KNeighborsClassifier
knn_clf = KNeighborsClassifier()

#训练集进行拟合
knn_clf.fit(X_train, y_train)
#进行预测
knn_predictions = knn_clf.predict(X_test)
print(knn_predictions)
#Train score vs test score
print('Train score:',knn_clf.score(X_train, y_train), 'Test score:',knn_clf.score(X_test, y_test))

#混淆矩阵Confusion Matrix
fig, ax = plt.subplots(figsize=(5,5))
plot_confusion_matrix(knn_clf, X_test, y_test, ax=ax)
#性能分数
print(classification_report(y_test, knn_predictions, target_names=labels))
#要微调的超参数列表
leaf_size = [1, 2, 3, 4, 5]
n_neighbors = [1, 2, 3, 4, 5]
p=[1, 2, 3]

#转换为字典
hyperparameters = dict(leaf_size=leaf_size, n_neighbors=n_neighbors, p=p)
#使用网格搜索算法GridSearch
knn_best_clf = GridSearchCV(knn_clf, hyperparameters, cv=10)
knn_best_clf.fit(X_train, y_train)
#输出最优超参数
print('Best leaf_size:', knn_best_clf.best_estimator_.get_params()['leaf_size'])
print('Best p:', knn_best_clf.best_estimator_.get_params()['p'])
print('Best n_neighbors:', knn_best_clf.best_estimator_.get_params()['n_neighbors'])
#预测
knn_best_predictions = knn_best_clf.predict(X_test)
print(knn_best_predictions)
#Train score Vs Test score
print('Train score:',knn_best_clf.score(X_train, y_train), 'Test score:',knn_best_clf.score(X_test, y_test))
#混淆矩阵Confusion Matrix
fig, ax = plt.subplots(figsize=(5,5))
plot_confusion_matrix(knn_best_clf, X_test, y_test, ax=ax)
#性能指标分数
print(classification_report(y_test, knn_best_predictions, target_names=labels))


############################################SVM分类器
#导入SVM分类器并进行训练
from sklearn.svm import SVC
svm_clf = SVC(kernel='rbf')
svm_clf.fit(X_train,y_train)
#预测
svm_predictions = svm_clf.predict(X_test)
print(svm_predictions)
#train score vs test score
print('Train score:',svm_clf.score(X_train, y_train), 'Test score:',svm_clf.score(X_test, y_test))
#混淆矩阵Confusion Matrix
fig, ax = plt.subplots(figsize=(5,5))
plot_confusion_matrix(svm_clf, X_test, y_test, ax=ax)
#性能指标分数
print(classification_report(y_test, svm_predictions, target_names=labels))

#超参数调优
param_grid = {'C': [0.02,0.021,0.022],
              'gamma': [0.8,0.7,0.6, 0.65],
              'kernel': ['rbf']}

grid = GridSearchCV(SVC(), param_grid, refit = True, verbose = 3, cv=10)

#利用网格搜索算法进行拟合训练
grid.fit(X_train, y_train)

#输出最优超参数
print(grid.best_params_)
 
print(grid.best_estimator_)
#最优SVM分类器
best_svm_clf = SVC(kernel = 'rbf', C=0.021, gamma=0.6).fit(X_train, y_train)
#最优预测
best_svm_predictions = best_svm_clf.predict(X_test)
print(best_svm_predictions)
#Train score Vs Test score
print('Train score:',best_svm_clf.score(X_train, y_train), 'Test score:',best_svm_clf.score(X_test, y_test))
#混淆矩阵Confusion Matrix
fig, ax = plt.subplots(figsize=(5,5))
plot_confusion_matrix(best_svm_clf, X_test, y_test, ax=ax)

#性能指标分数
print(classification_report(y_test, best_svm_predictions, target_names=labels))

出图如下：









完整代码：https://mbd.pub/o/bread/mbd-Y5qUl5ls

擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。

相关推荐

为何越来越多的编程语言使用JSON（为什么编程）

JSON是JavascriptObjectNotation的缩写，意思是Javascript对象表示法，是一种易于人类阅读和对编程友好的文本数据传递方法，是JavaScript语言规范定义的一个子...

何时在数据库中使用 JSON（数据库用json格式存储）

在本文中，您将了解何时应考虑将JSON数据类型添加到表中以及何时应避免使用它们。每天?分享?最新?软件?开发?，Devops，敏捷?，测试?以及?项目?管理?最新?，最热门?的?文章?，每天?花?...

MySQL 从零开始:05 数据类型（mysql数据类型有哪些,并举例）

前面的讲解中已经接触到了表的创建，表的创建是对字段的声明，比如：上述语句声明了字段的名称、类型、所占空间、默认值和是否可以为空等信息。其中的int、varchar、char和decimal都...

JSON对象花样进阶（json格式对象）

一、引言在现代Web开发中，JSON（JavaScriptObjectNotation）已经成为数据交换的标准格式。无论是从前端向后端发送数据，还是从后端接收数据，JSON都是不可或缺的一部分。...

深入理解 JSON 和 Form-data（json和formdata提交区别）

在讨论现代网络开发与API设计的语境下，理解客户端和服务器间如何有效且可靠地交换数据变得尤为关键。这里，特别值得关注的是两种主流数据格式：...

JSON 语法（json 语法 priority）

JSON语法是JavaScript语法的子集。JSON语法规则JSON语法是JavaScript对象表示法语法的子集。数据在名称/值对中数据由逗号分隔花括号保存对象方括号保存数组JS...

JSON语法详解（json的语法规则）

JSON语法规则JSON语法是JavaScript对象表示法语法的子集。数据在名称/值对中数据由逗号分隔大括号保存对象中括号保存数组注意：json的key是字符串,且必须是双引号，不能是单引号...

MySQL JSON数据类型操作（mysql的json）

概述mysql自5.7.8版本开始，就支持了json结构的数据存储和查询，这表明了mysql也在不断的学习和增加nosql数据库的有点。但mysql毕竟是关系型数据库，在处理json这种非结构化的数据...

JSON的数据模式（json数据格式示例）

像XML模式一样，JSON数据格式也有Schema，这是一个基于JSON格式的规范。JSON模式也以JSON格式编写。它用于验证JSON数据。JSON模式示例以下代码显示了基本的JSON模式。{"...

前端学习——JSON格式详解（后端json格式）

JSON(JavaScriptObjectNotation)是一种轻量级的数据交换格式。易于人阅读和编写。同时也易于机器解析和生成。它基于JavaScriptProgrammingLa...

什么是 JSON:详解 JSON 及其优势（什么叫json）

现在程序员还有谁不知道JSON吗？无论对于前端还是后端，JSON都是一种常见的数据格式。那么JSON到底是什么呢？JSON的定义...

PostgreSQL JSON 类型:处理结构化数据

PostgreSQL提供JSON类型，以存储结构化数据。JSON是一种开放的数据格式，可用于存储各种类型的值。什么是JSON类型？JSON类型表示JSON(JavaScriptO...

JavaScript:JSON、三种包装类（javascript 包）

JOSN:我们希望可以将一个对象在不同的语言中进行传递，以达到通信的目的，最佳方式就是将一个对象转换为字符串的形式JSON（JavaScriptObjectNotation）-JS的对象表示法...

Python数据分析 只要1分钟 教你玩转JSON 全程干货

Json简介：Json，全名JavaScriptObjectNotation,JSON(JavaScriptObjectNotation(记号、标记))是一种轻量级的数据交换格式。它基于J...

比较一下JSON与XML两种数据格式?（json和xml哪个好）

JSON（JavaScriptObjectNotation）和XML（eXtensibleMarkupLanguage）是在日常开发中比较常用的两种数据格式，它们主要的作用就是用来进行数据的传...

取消回复欢迎 你 发表评论:

请填写验证码
一周热门
最近发表
标签列表