低频、低位宽信号的智能故障诊断
机器学习
2024-11-26 v2 声音
音频与语音处理
信号处理
摘要
本研究聚焦于利用单个麦克风和数据驱动方法进行旋转机械设备的智能故障诊断（IFD），有效诊断 42 类故障类型和严重程度。研究利用不平衡的 MaFaulDa 数据集中的声音数据，旨在在高性能与低资源消耗之间取得平衡。测试阶段包括多种配置：抽样、量化、信号归一化、静音移除、维尔滤波、数据缩放、分窗、数据增强和使用 XGBoost 进行分类器调优。通过分析时间、频率、梅尔频率和统计特征，我们以 8 kHz、8 位配置实现了 99.54% 的准确率和 99.52% 的 F-Beta 分数，仅使用 6 棵提升树。此外，仅使用 MFCC 及其一阶和二阶差分，我们记录了 97.83% 的准确率和 97.67% 的 F-Beta 分数。最后，通过实现一种贪婪包装方法，我们获得了 96.82% 的准确率和 98.86% 的 F-Beta 分数，使用 50 个选取的特征，其中大多数为 MFCC的一阶和二阶差分。
引用
@article{arxiv.2411.06299,
title = {Intelligent Fault Diagnosis of Type and Severity in Low-Frequency, Low Bit-Depth Signals},
author = {Tito Spadini and Kenji Nose-Filho and Ricardo Suyama},
journal= {arXiv preprint arXiv:2411.06299},
year = {2024}
}