CN112633368A - 基于改进多粒度级联森林的扁平振动电机缺陷检测系统及方法 - Google Patents

基于改进多粒度级联森林的扁平振动电机缺陷检测系统及方法 Download PDF

Info

Publication number
CN112633368A
CN112633368A CN202011522481.4A CN202011522481A CN112633368A CN 112633368 A CN112633368 A CN 112633368A CN 202011522481 A CN202011522481 A CN 202011522481A CN 112633368 A CN112633368 A CN 112633368A
Authority
CN
China
Prior art keywords
catboost
vibration motor
flat vibration
cascade
forest
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011522481.4A
Other languages
English (en)
Other versions
CN112633368B (zh
Inventor
方夏
杨苗苗
李勇
王杨
王玫
王杰
龚子航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202011522481.4A priority Critical patent/CN112633368B/zh
Publication of CN112633368A publication Critical patent/CN112633368A/zh
Application granted granted Critical
Publication of CN112633368B publication Critical patent/CN112633368B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于改进多粒度级联森林的扁平振动电机缺陷检测系统及检测方法，将多粒度级联森林与级联CatBoost相结合，首先使用多粒度级联森林结构对获取的电信号数据点之间的联系进行处理，得到特征向量，再使用级联CatBoost对特征向量进行分类，得到扁平振动电机缺陷种类；这样能够精确识别电信号的同时，提升系统识别效率及准确率。本发明能够适用于小样本、不平衡数据、多类型分类任务的分类场景。

Description

基于改进多粒度级联森林的扁平振动电机缺陷检测系统及 方法
技术领域
本发明属于无损检测技术领域，涉及扁平振动电机缺陷检测技术，具体涉及一种基于改进多粒度级联森林的扁平振动电机电压缺陷检测方法。
背景技术
扁平振动电机属于偏心旋转振动电机(Eccentric Rotating Mass,ERM)的一种，因其体积较小，且生产成本低，从而使得这类电机产品需求量很大。目前生产厂家在产品的出厂检测中仍旧主要通过人工观察示波器上的电压信号来判断电机产品是否合格。这种检测方式不仅人工成本高，而且准确率与检测标准难以保证。因此，提出一种准确率高的智能缺陷检测方法具有重要的意义。
电机的缺陷检测可以通过采集振动、音频、电信号等方法来进行判别：(1)对异步电机的振动信号使用短时傅里叶变换转化为时频图，将其输入卷积神经网络(CNN)，以Triplet Loss损失函数实现电机的缺陷诊断；(2)对采集到的电机的音频信号使用经验模态分解(EMD)，将分解后的参数进行特征融合，使用支持向量机(SVM)对特征向量进行识别；(3)采集电机的电流信号，利用小波包算法对原始信号进行特征提取，将特征输入3层LSTM网络来判断电机缺陷。
上述各种方法虽可以完成对电机缺陷的诊断，但应用于扁平振动电机的缺陷检测仍有不足，主要问题在于：(1)在电机产线的生产过程中，生产环境嘈杂且不稳定，振动或音频信号的信噪比较低；(2)深度神经网络(DNNs)需要大量的数据用于训练，实际生产中，某些缺陷的样本数量却很少；(3)虽然针对小数据集SVM等简单的机器学习模型可以取得不错的效果，但扁平振动电机缺陷种类较多，拟合不同缺陷所需信息代价不同，现有算法表现并不能满足工业生产要求；(4)小波包算法虽然可以对缺陷信号进行提取，但基函数种类众多，需要大量对比实验才能选取合适的基函数，并且分解的层数也需通过实验确定，增加学习成本。
因此，目前缺少一种准确率高，能胜任少样本、不平衡数据的分类任务的扁平振动电机缺陷检测方法。
发明内容
针对上述现有技术中存在的扁平振动电机缺陷诊断准确率不高、计算效率低的问题，本发明的目的旨在提供一种基于改进多粒度级联森林的扁平振动电机缺陷检测系统，将多粒度级联森林与CatBoost算法相结合，以在扁平振动电机电信号小样本和数据不平衡情况下，实现对扁平振动电机缺陷的准确检测。
本发明的另一目的旨在提供一种基于改进多粒度级联森林的扁平振动电机缺陷检测方法。
gcForest(multi-Grained Cascade Forest，多粒度级联森林)是深度森林算法的一种，由多粒度扫描和级联森林组成。虽然多粒度级联森林能用于缺陷诊断，但是级联森林结构只能在CPU中进行训练，速度较慢。为了提升gcForest的训练效率与缺陷分类的准确率，本发明，基于传统多粒度级联森林算法，进一步引入CatBoost处理特征向量。
具体地，本发明提供的基于改进多粒度级联森林的扁平振动电机缺陷检测系统，包括：
多粒度扫描模块，由随机森林和完全随机森林级联得到，用于对获取的扁平振动电机电信号样本数据进行扫描，得到特征向量；
级联CatBoost模块，由若干CatBoost层顺次级联组成，每个CatBoost层包括多个CatBoost模型；用于依据特征向量，得到扁平振动电机的缺陷类型。
上述多粒度扫描模块，由一个随机森林和一个完全随机森林级联得到。随机森林中包含200～500决策树，完全随机森林包含200～500决策树。
上述级联CatBoost模块，CatBoost层的层数通过系统训练得到。每个CatBoost层包括2～8个CatBoost模型，每个CatBoost模型包含500～1200个树。经研究发现，扁平振动电机缺陷检测系统对缺陷类别识别准确率与CatBoost模型个数及其包含的树的数量有一定的关系，当两者数量增加时，其相应的准确率会有所提升，但是相应的系统训练时间会大大延长；每个CatBoost层优选包含4个CatBoost模型，每个CatBoost模型包含1000棵树。
上述基于改进多粒度级联森林的扁平振动电机缺陷检测系统的训练方法，包括以下步骤：
S1对获取扁平振动电机不同缺陷类型的原始电信号进行提取，得到扁平振动电机不同缺陷类型的电信号样本数据；
S2利用多个不同给定大小的滑动窗口分别对扁平振动电机不同类型的电信号样本数据进行扫描，滑动窗口扫描的数据通过多粒度扫描模块处理得到样本的特征向量；
S3采用M折交叉验证法，利用步骤S2得到的包含特征向量的样本数据对级联CatBoost模块进行训练，包括以下分步骤：
S31采用M折交叉验证法，利用步骤S2得到的包含特征向量的样本数据对级联CatBoost模块的第一CatBoost层的多个CatBoost模型同时进行训练；
S32对于同一样本，将第一CatBoost层产生的样本输出特征向量与输入级联CatBoost模块的相应样本特征向量进行拼接，拼接后的样本特征向量作为下一CatBoost层的输入样本特征向量；进一步采用M折交叉验证法对下一CatBoost层进行训练，以此类推，直至连续3个CatBoost层的准确率没有提升，停止训练，得到训练好的级联CatBoost模块。
上述步骤S1中，从每个扁平振动电机采集的电压信号提取J个数据点作为相应的电信号样本数据。
上述步骤S2中，本发明中，为了获取尽可能多的训练数据，利用多个不同给定大小的滑动窗口(设滑动窗口的维数为K维)分别对扁平振动电机不同类型的原始电信号进行扫描，滑动窗口的步长为λ。滑动窗户扫描到的数据分别输入到多粒度扫描模块的随机森林和完全随机森林，从随机森林和完全随机森林输出的类向量数据进行拼接，得到特征向量。随机森林和完全随机森林分别输出L个I维类向量，则特征向量的维数为2*L*I；其中，L＝(J-K)/λ+1；I表示扁平振动电机缺陷种类。
随机森林和完全随机森林中的所有决策树由滑动窗口扫描得到的K维输入向量生成。随机森林从K维输入向量中随机选取
Figure BDA0002849677750000031
个特征，通过式(1)计算Gini指数，对选取的特征进行评估，选择最优的节点进行分裂。完全随机森林从输入向量中随机选取特征进行分裂，直到节点只有一个类别。
Figure BDA0002849677750000032
其中I为类别个数，pi为样本属于第i类的概率。
随机森林和完全随机森林中的决策树生成后，每个决策树会估算每个节点中输入向量类别分布，对森林中所有决策树的所有节点产生的类别分布进行平均即可得到输入向量的类向量。
步骤S3中，本发明中采用CatBoost模型，相比于传统GBDT算法，能够减少数据中的噪声对分类精度的影响，准确率更高。
步骤S3中，利用训练集中的样本数据对一个CatBoost模型的训练即构建CatBoost模型中的树，具体操作采用的是本领域常规操作，可以参见为Dorogush A V,Ershov V,Gulin A.CatBoost:gradient boosting with categorical features support[J].arXivpreprint arXiv:1810.11363,2018。
上述步骤S31中，采用M折交叉验证法，具体为：首先将样本数据划分为M等份，然后随机取其中M-1等份作为训练集样本数据，剩余1等份作为验证集样本数据，利用训练集中的样本数据对级联CatBoost模块的第一CatBoost层的多个CatBoost模型同时进行训练，并利用验证集中的样本数据对训练后的第一CatBoost层的准确率进行验证；重复上述过程五次，每次选取的验证集不同。
本发明进一步提供了一种基于改进多粒度级联森林的扁平振动电机缺陷检测方法，利用前面给出基于改进多粒度级联森林的扁平振动电机缺陷检测系统，按照以下步骤进行：
L1对获取扁平振动电机的原始电信号进行提取，得到电信号样本数据；
L2利用多个不同给定大小的滑动窗口对扁平振动电机的电信号样本数据进行扫描，滑动窗口扫描的数据通过多粒度扫描模块处理得到样本的特征向量；
L3将步骤S2得到的包含特征向量的样本数据输入到级联CatBoost模块，对最后一层CatBoost层各CatBoost模型同一维度输出特征向量取平均，以平均值中最大值对应的类别作为扁平振动电机缺陷类别。
上述步骤L2的具体实现方式与步骤S2中的相同，这里不再详细描述。
与现有技术相比，本发明具有如下十分突出的优点和有益技术效果：
1、本发明将多粒度级联森林与级联CatBoost相结合，首先使用多粒度级联森林结构对获取的电信号数据点之间的联系进行处理，得到特征向量，再使用级联CatBoost对特征向量进行分类，得到扁平振动电机缺陷种类；这样能够精确识别电信号的同时，提升系统识别效率及准确率；
2、本发明将多粒度级联森林与级联CatBoost相结合，能够适用于小样本、不平衡数据、多类型分类任务的分类场景；
3、本发明对于扁平振动电机缺陷种类分类识别准确率高达98.4％，而耗时仅为1501s，能够满足市场对扁平振动电机高效率、高品质检测的需求。
附图说明
图1为基于改进多粒度级联森林的扁平振动电机缺陷检测原理示意图。
图2为多粒度扫描模块原理示意图。
图3为基于随机森林/完全随机森林的类向量生成原理示意图。
图4为级联CatBoost模块训练示意图。
具体实施方式
以下将结合附图给出本发明实施例，并通过实施例对本发明的技术方案进行进一步的清楚、完整说明。显然，所述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明内容，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
实施例1
如图1所示，本实施例提供的基于改进多粒度级联森林的扁平振动电机缺陷检测原理为：首先对采集的扁平振动电机电信号进行多粒度扫描得到特征向量，然后利用级联CatBoost基于特征向量对扁平振动电机的缺陷类型进行识别。基于上述检测原理，本实施例提供了一种基于改进多粒度级联森林的扁平振动电机缺陷检测系统，包括多粒度扫描模块和级联CatBoost模块。
多粒度扫描模块，用于对获取的扁平振动电机电信号样本数据进行扫描，得到特征向量。该多粒度扫描模块由一个随机森林和一个完全随机森林级联得到。随机森林中包含500棵决策树，完全随机森林包含500棵决策树。
级联CatBoost模块，用于依据特征向量，得到扁平振动电机的缺陷类型。该级联CatBoost模块由若干CatBoost层顺次级联组成，每个CatBoost层包括4个CatBoost模型；每个CatBoost模型包含1000棵树。
实施例2
本实施例提供了实施例1给出的基于改进多粒度级联森林的扁平振动电机缺陷检测系统的训练方法。
本实施例采用NI-USB-6351数据采集卡，对正常扁平振动电机以及五种不同的扁平振动电机缺陷(波肩高低(缺陷1)、波肩长短不一(缺陷2)、波肩倾斜(缺陷3)、波形落(缺陷4)、无波峰(缺陷5))共六种类型的扁平振动电机进行电压信号采集，采样率设置为40K，采样点数为10000，采集时间为0.25s。在当前采样率下，电机的一个周期信号约占170个点。
本实施例提供的基于改进多粒度级联森林的扁平振动电机缺陷检测系统的训练方法，包括以下步骤：
S1对获取扁平振动电机不同缺陷类型的原始电信号进行提取，得到扁平振动电机不同缺陷类型的电信号样本数据。
本实施例中，对采集的每个电压信号，提取信号中相邻的200个点作为电信号样本数据(即J＝200)。每种类型的扁平振动电机的样本数为良品2100个，波形落1100个，波肩倾斜600个，波肩高低550个，无波峰1450个，波肩长短1800个。本实施例中取样本总数的0.67用于系统训练，剩余0.33用于实施例3中的系统测试。
S2利用多个不同给定大小的滑动窗口分别对扁平振动电机不同类型的电信号样本数据进行扫描，滑动窗口扫描的数据通过多粒度扫描模块处理得到样本的特征向量。
本步骤中，如图2所示，对于一个J维原始数据，通过滑动窗口，将其分割为L个K维向量数据，将其分别输入到随机森林和完全随机森林中，的L个I维类向量，将随机森林和完全随机森林分别输出的L个I维类向量拼接，得到2*L*I维特征向量。
本实施例中采用三种不同大小的滑动窗口，分别为1*13(K＝13)、1*25(K＝25)、1*50(K＝50)，滑动步长为λ＝1。
对于一个K维输入向量，随机森林或完全随机森林中的决策树生成过程为：随机森林从K维输入向量中随机选取
Figure BDA0002849677750000061
个特征，通过式(1)计算Gini指数，对选取的特征进行评估，选择最优的节点进行分裂。完全随机森林从输入向量中随机选取特征进行分裂，直到节点只有一个类别。完全随机森林从输入向量中随机选取特征进行分裂，直到节点只有一个类别。
Figure BDA0002849677750000062
其中I为类别个数，pi为样本属于第i类的概率。
随机森林和完全随机森林中的决策树生成后，每个决策树会估算每个节点中输入向量类别分布，如图3所示，对森林中所有决策树的所有节点产生的类别分布进行平均即可得到输入向量的类向量，即该样本的I维类特征向量。图3中给出的是3个类别的例子、且只是给出了部分节点，对于本实施例中6个类别，其解释类似。
采用这三种滑动窗口分别对6种类型的用于系统训练的每个电机电压信号样本的200维信号进行提取，按照2*L*I(L＝(J-K)/λ+1)，每个样本分别提取得到2256、2112、1812维特征向量。
S3采用5折交叉验证法，利用步骤S2得到的包含特征向量的样本对级联CatBoost模块进行训练，
本实施例利用步骤S2经最后处理得到的具有2*L*I维特征向量的系统训练用样本数据对级联CatBoost模块进行训练，具体包括以下分步骤：
S31采用5折交叉验证法，利用步骤S2得到的包含特征向量的样本数据对级联CatBoost模块的第一CatBoost层的多个CatBoost模型同时进行训练。
本实施例中，CatBoost模型中参数设定为：深度depth＝6，学习率learning_rate＝0.2。
本步骤中，利用训练集中的样本数据对一个CatBoost模型的训练即构建CatBoost模型中的树，具体操作采用的是本领域常规操作，可以参见为Dorogush A V,Ershov V,Gulin A.CatBoost:gradient boosting with categorical features support[J].arXivpreprint arXiv:1810.11363,2018。
采用5折交叉验证法，具体为：首先将样本数据划分为5等份，然后随机取其中4等份作为训练集样本数据，剩余1等份作为验证集样本数据，利用训练集中的样本数据对级联CatBoost模块的第一CatBoost层的多个CatBoost模型同时进行训练，并利用验证集中的样本数据对训练后的第一CatBoost层的准确率进行验证；重复上述过程五次，每次选取的验证集不同。
每次训练完成后，利用验证集中的样本数据对训练得到的第一CatBoost层的准确率进行验证。验证时，将验证集中样本数据输入该CatBoost层，该CatBoost层各CatBoost模型同一维度输出特征向量取平均，以平均值中最大值对应的类别作为识别类别，将其与验证集中样本数据对应真实类别进行比较，得到该CatBoost层的识别准确率。
S32对于同一样本，将第一CatBoost层产生的样本输出特征向量与输入级联CatBoost模块的相应样本特征向量进行拼接，拼接后的特征向量作为下一CatBoost层的输入样本特征向量。以拼接后的样本数据，进一步采用5折交叉验证法对下一CatBoost层进行训练。
以此类推，以上一CatBoost层产生的样本输出特征向量与输入级联CatBoost模块的相应样本特征向量进行拼接，拼接后的特征向量作为下一CatBoost层的输入样本特征向量。以拼接后的样本数据，进一步采用5折交叉验证法对下一CatBoost层进行训练。直至连续3个CatBoost层的准确率没有提升，或者说基本保持不变，停止训练，得到训练好的级联CatBoost模块。
本实施例中，训练得到的级联CatBoost模块中CatBoost层的层数为6层。使用验证集测得的该级联CatBoost模块的准确率达到99.96％。
实施例3
本实施利用实施例2训练得到的基于改进多粒度级联森林的扁平振动电机缺陷检测系统，按照以下步骤进行：
L1对获取扁平振动电机的原始电信号进行提取，得到电信号样本数据。
本实施例利用实施例2中步骤S1提取样本数据中的0.33对实施例2训练得到的扁平振动电机缺陷检测系统进行测试。
L2利用多个不同给定大小的滑动窗口对扁平振动电机的电信号样本数据进行扫描，滑动窗口扫描的数据通过多粒度扫描模块处理得到样本的特征向量。
对于系统测试用样本数据按照步骤S2中的具体操作(这里不再详细描述)进行处理，得到相应的样本特征向量
L3将步骤L2得到的包含特征向量的系统测试用样本输入到级联CatBoost模块，对最后一层CatBoost层(本实施例中是第6层)各CatBoost模型同一维度输出特征向量取平均，以平均值中最大值对应的类别作为扁平振动电机缺陷类别。
最终得到的各类型识别准确率混淆矩阵如表1所示。总准确率可达到98.41％。
表2检测结果
Figure BDA0002849677750000081
其他评价指标如表2所示，其中，Precision表示被预测为正的样本中实际为正的比例，Recall表示正样本被预测为正的比例，F1为综合评价指标。
表2其他评价指标(％)
Figure BDA0002849677750000082
从表1及表2可以看出，本发明提供的基于改进多粒度级联森林的扁平振动电机缺陷检测系统及检测方法，能够实现对扁平振动电机缺陷类型的准确识别。
本实施例中，进一步将级联CatBoost模块替换为不同的GBDT算法(包括XGBoost和LightGBM)，每个级联层包括4个分类器，每个分类器中包含1000棵树；然后使用实施例2中相同的样本数据，对由多粒度扫描模块和上述各模块组成的检测系统进行训练和测试，相应的测试准确率见表3所示。
表3不同级联层的准确率
Figure BDA0002849677750000091
从表3中可以看出，当使用CatBoost作为级联层分类器时，检测系统(gcCatBoost)的准确率更高。
而且，实施例2中对基于改进多粒度级联森林的扁平振动电机缺陷检测系统gcCatBoost的训练时间为1501s，训练自动终止于第6层，平均每层训练时间为250.2s。而如果采用的是传统的多粒度级联森林gcForest时，使用随机森林与完全随机森林各两个，每个森林包含1000棵树，使用相同的样本数据进行训练，训练时间则需要7887s，训练自动终止于第7层，平均每层训练时间为1126.7s。由此可见，本发明提供的基于改进多粒度级联森林的扁平振动电机缺陷检测系统gcCatBoost的训练成本远低于gcForest。

Claims (6)

1.一种基于改进多粒度级联森林的扁平振动电机缺陷检测系统，其特征在于，包括：
多粒度扫描模块，由随机森林和完全随机森林级联得到，用于对获取的扁平振动电机电信号样本数据进行扫描，得到特征向量；
级联CatBoost模块，由若干CatBoost层顺次级联组成，每个CatBoost层包括多个CatBoost模型；用于依据特征向量，得到扁平振动电机的缺陷类型。
2.根据权利要求1所述的基于改进多粒度级联森林的扁平振动电机缺陷检测系统，其特征在于，所述多粒度扫描模块，由一个随机森林和一个完全随机森林级联得到。
3.根据权利要求2所述的基于改进多粒度级联森林的扁平振动电机缺陷检测系统，其特征在于，随机森林中包含200～500决策树，完全随机森林包含200～500决策树。
4.根据权利要求1所述的基于改进多粒度级联森林的扁平振动电机缺陷检测系统，其特征在于，所述级联CatBoost模块，每个CatBoost层包括2～8个CatBoost模型，每个CatBoost模型包含500～1200个树。
5.权利要求1至4任一项所述的基于改进多粒度级联森林的扁平振动电机缺陷检测系统的训练方法，包括以下步骤：
S1对获取扁平振动电机不同缺陷类型的原始电信号进行提取，得到旋转振动电机不同缺陷类型的电信号样本数据；
S2利用多个不同给定大小的滑动窗口分别对扁平振动电机不同类型的电信号样本数据进行扫描，滑动窗口扫描的数据通过多粒度扫描模块处理得到样本的特征向量；
S3采用M折交叉验证法，利用步骤S2得到的包含特征向量的样本对级联CatBoost模块进行训练，包括以下分步骤：
S31采用M折交叉验证法，利用步骤S2得到的包含特征向量的样本数据对级联CatBoost模块的第一CatBoost层的多个CatBoost模型同时进行训练；
S32对于同一样本，将第一CatBoost层产生的样本输出特征向量与输入级联CatBoost模块的相应样本特征向量进行拼接，拼接后的样本特征向量作为下一CatBoost层的输入样本特征向量；进一步采用M折交叉验证法对下一CatBoost层进行训练，以此类推，直至连续3个CatBoost层的准确率没有提升，停止训练，得到训练好的级联CatBoost模块。
6.一种基于改进多粒度级联森林的扁平振动电机缺陷检测方法，其特征在于利用权利要求1至4任一项所述的扁平振动电机缺陷检测系统，按照以下步骤进行：
L1对获取扁平振动电机的原始电信号进行提取，得到电信号样本数据；
L2利用多个不同给定大小的滑动窗口对扁平振动电机的电信号样本数据进行扫描，滑动窗口扫描的数据通过多粒度扫描模块处理得到样本的特征向量；
L3将步骤L2得到的包含特征向量的样本输入到级联CatBoost模块，对最后一层CatBoost层各CatBoost模型同一维度输出特征向量取平均，以平均值中最大值对应的类别作为扁平振动电机缺陷类别。
CN202011522481.4A 2020-12-21 2020-12-21 基于改进多粒度级联森林的扁平振动电机缺陷检测系统及方法 Active CN112633368B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011522481.4A CN112633368B (zh) 2020-12-21 2020-12-21 基于改进多粒度级联森林的扁平振动电机缺陷检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011522481.4A CN112633368B (zh) 2020-12-21 2020-12-21 基于改进多粒度级联森林的扁平振动电机缺陷检测系统及方法

Publications (2)

Publication Number Publication Date
CN112633368A true CN112633368A (zh) 2021-04-09
CN112633368B CN112633368B (zh) 2022-07-01

Family

ID=75322047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011522481.4A Active CN112633368B (zh) 2020-12-21 2020-12-21 基于改进多粒度级联森林的扁平振动电机缺陷检测系统及方法

Country Status (1)

Country Link
CN (1) CN112633368B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837254A (zh) * 2021-02-25 2021-05-25 普联技术有限公司 一种图像融合方法、装置、终端设备及存储介质
CN113159181A (zh) * 2021-04-23 2021-07-23 湖南大学 基于改进的深度森林的工业控制网络异常检测方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510001A (zh) * 2018-04-04 2018-09-07 北京交通大学 一种风力发电机叶片缺陷分类方法及其分类系统
CN110375987A (zh) * 2019-06-24 2019-10-25 昆明理工大学 一种基于深度森林机械轴承故障检测方法
WO2019232999A1 (zh) * 2018-06-07 2019-12-12 中国矿业大学 一种基于特征映射层以及增强层结构的随机森林集成方法
CN110662232A (zh) * 2019-09-25 2020-01-07 南昌航空大学 一种采用多粒度级联森林评估链路质量的方法
CN111245365A (zh) * 2020-01-09 2020-06-05 南京工业大学 基于动态加权深度森林的光伏组件故障诊断方法
CN111380686A (zh) * 2020-04-26 2020-07-07 华风数据(深圳)有限公司 一种基于XGBoost算法模型的风机主轴承故障监测与诊断方法
CN111680446A (zh) * 2020-01-11 2020-09-18 哈尔滨理工大学 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510001A (zh) * 2018-04-04 2018-09-07 北京交通大学 一种风力发电机叶片缺陷分类方法及其分类系统
WO2019232999A1 (zh) * 2018-06-07 2019-12-12 中国矿业大学 一种基于特征映射层以及增强层结构的随机森林集成方法
CN110375987A (zh) * 2019-06-24 2019-10-25 昆明理工大学 一种基于深度森林机械轴承故障检测方法
CN110662232A (zh) * 2019-09-25 2020-01-07 南昌航空大学 一种采用多粒度级联森林评估链路质量的方法
CN111245365A (zh) * 2020-01-09 2020-06-05 南京工业大学 基于动态加权深度森林的光伏组件故障诊断方法
CN111680446A (zh) * 2020-01-11 2020-09-18 哈尔滨理工大学 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法
CN111380686A (zh) * 2020-04-26 2020-07-07 华风数据(深圳)有限公司 一种基于XGBoost算法模型的风机主轴承故障监测与诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAMOUD ALJAMAAN等: "Software defect prediction using tree-based ensembles", 《PROMISE 2020: PROCEEDINGS OF THE 16TH ACM INTERNATIONAL CONFERENCE ON PREDICTIVE MODELS AND DATA ANALYTICS IN SOFTWARE ENGINEERING》 *
戴瑾等: "基于深度森林的网络流量分类方法", 《国防科技大学学报》 *
王玉静 等: "基于改进深度森林的滚动轴承剩余寿命预测方法", 《中国电机工程学报》 *
赵璞: "基于gcForest的不平衡分类技术研究与应用", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837254A (zh) * 2021-02-25 2021-05-25 普联技术有限公司 一种图像融合方法、装置、终端设备及存储介质
CN112837254B (zh) * 2021-02-25 2024-06-11 普联技术有限公司 一种图像融合方法、装置、终端设备及存储介质
CN113159181A (zh) * 2021-04-23 2021-07-23 湖南大学 基于改进的深度森林的工业控制网络异常检测方法和系统
CN113159181B (zh) * 2021-04-23 2022-06-10 湖南大学 基于改进的深度森林的工业控制系统异常检测方法和系统

Also Published As

Publication number Publication date
CN112633368B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN110728360B (zh) 一种基于bp神经网络的微能源器件能量识别方法
CN112633368B (zh) 基于改进多粒度级联森林的扁平振动电机缺陷检测系统及方法
CN110108992B (zh) 基于改进随机森林算法的电缆局放故障识别方法、系统
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN107101813A (zh) 一种基于振动信号的框架式断路器机械故障程度评估方法
CN110161388B (zh) 一种高压设备的故障类型识别方法及其系统
Ondel et al. A method to detect broken bars in induction machine using pattern recognition techniques
CN112364756B (zh) 一种基于天牛须和随机森林的gis故障分类方法
CN109727446A (zh) 一种用电数据异常值的识别与处理方法
CN110672905A (zh) 基于cnn的自监督电压暂降源辨识方法
CN110726898B (zh) 一种配电网故障类型识别方法
CN114325256A (zh) 一种电力设备局部放电识别方法、系统、设备及存储介质
CN113255591A (zh) 一种基于随机森林和融合特征的轴承故障诊断方法
Yang et al. Few-shot learning for rolling bearing fault diagnosis via siamese two-dimensional convolutional neural network
CN116432112A (zh) 基于小波包变换、残差卷积神经网络的电弧故障检测方法
CN115712871A (zh) 一种结合重采样和集成学习的电力电子系统故障诊断方法
CN115687970A (zh) 一种提升肌电信号识别准确率的方法
CN116337449A (zh) 一种基于信息融合的稀疏自编码故障诊断方法、系统
CN115166514A (zh) 一种基于自适应频谱分割去噪的电机故障识别方法及系统
CN111289251A (zh) 一种滚动轴承细粒度故障识别方法
Xu et al. Loop optimization noise-reduced LSTM based classifier for PD detection
CN114881077A (zh) 一种基于时序轨迹特征的电压暂降源分类方法及系统
CN113837122A (zh) 基于Wi-Fi信道状态信息的无接触式人体行为识别方法及系统
Jiang A facial expression recognition model based on HMM
CN113421546A (zh) 基于跨被试多模态的语音合成方法及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant