工业故障检测采用基于接触传感器超声波信号的元组模型

科学领域:

• 机械工程 机械工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 超声波诊断对于早期工业故障预测至关重要.
• 目前使用的接触式麦克风容易受到噪音污染.
• 现有的方法需要强大的特征提取和选择,以准确分类故障.

研究的目的:

• 利用超声波信号开发一种耐噪声且准确的故障检测系统.
• 探索先进的特征提取和维度减小技术.
• 实施和评估堆叠分类器,以提高故障分类性能.

主要方法:

• 从超声波信号中提取时间和频率领域的特征.
• 使用主要组件分析 (PCA),线性差异分析 (LDA) 和t分布式随机邻居嵌入 (t-SNE) 的维度缩小.
• 通过递归特征消除 (RFE) 选择特征,并使用k-Nearest Neighbor (KNN),物流回归 (LR),决策树 (DT),高斯素朴湾 (GNB) 和支持向量机器 (SVM) 进行分类.
• 开发一个堆叠分类器与k-fold交叉验证性能评估.

主要成果:

• 拟议的堆叠分类器在五个交叉验证折叠中,与单个模型相比,达到大约5%的更高准确性.
• 该方法在性能上显示出最小的变化,表明了强度.
• 实时监控的可行性得到证实,在Cortex M4微控制器上执行时间为11毫秒.

结论:

• 开发的堆叠分类器在超声波故障检测准确性和可靠性方面取得了显著的改进.
• 该方法有效处理杂的数据,并减少维度,以实现高效的处理.
• 该系统的低执行时间使其适合实时工业监控应用.