基于XGBoost特征提取的数据驱动故障诊断方法

• 作者: 姜少飞 孙涛 彭翔 李吉泉 李治 邬天骥
• 来源期刊: 中国机械工程
• 关键词: 故障诊断 数据驱动 特征提取 机器学习 XGBoost算法
• 年，卷（期）: 2020,（10）
• 所属期刊栏目: 智能制造
• 页码范围: 1232-1239
• 页数: 8页
• 分类号: TP391
• 语种: 中文
• DOI: 10.3969/j.issn.1004-132X.2020.10.015

摘要

针对目前用于故障诊断领域的机器学习方法尚不能够充分挖掘数据中隐含故障特征信息,存在逼近精度不足的问题,提出一种基于XGBoost算法的隐含特征信息提取方法.根据故障数据与故障类型自定义XGBoost算法的损失函数,迭代构建故障分裂树;提取样本在故障树中的叶子节点位置索引向量并进行特征编码重构,得到隐含故障信息的智能化表征;基于该表征矩阵,使用SVM等机器学习算法建立故障诊断模型,实现多故障模式的识别诊断;最后,以某驱动器的故障诊断为例对方法进行了验证,结果表明:与原始特征下的故障诊断模型相比,基于XGBoost算法提取隐含特征下的诊断模型准确度更高,鲁棒性更好,同时能给出特征变量的重要性排序.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	姜少飞	浙江工业大学特种装备制造与先进加工技术教育部重点实验室	42	243	9.0	13.0
2	李吉泉	浙江工业大学特种装备制造与先进加工技术教育部重点实验室	28	61	5.0	6.0
3	彭翔	浙江工业大学特种装备制造与先进加工技术教育部重点实验室	7	6	1.0	2.0
4	邬天骥	浙江工业大学特种装备制造与先进加工技术教育部重点实验室	1	0	0.0	0.0
5	李治	浙江工业大学特种装备制造与先进加工技术教育部重点实验室	1	0	0.0	0.0