目录
往期精彩内容：
前言
1 数据集和特征提取
1.1 数据集导入
1.2 扰动信号特征提取
2超强模型XGBoost——原理介绍
2.1 原理介绍
2.2 特征数据集制作
3 模型评估和对比
3.1 随机森林分类模型
3.2 支持向量机SVM分类模型
3.3 XGBoost分类模型
代码、数据如下：
创新度高！！！需要发论文的同学即买即用
往期精彩内容：
电能质量扰动信号数据介绍与分类-Python实现-CSDN博客
Python电能质量扰动信号分类(一)基于LSTM模型的一维信号分类-CSDN博客
Python电能质量扰动信号分类(二)基于CNN模型的一维信号分类-CSDN博客
Python电能质量扰动信号分类(三)基于Transformer的一维信号分类模型-CSDN博客
Python电能质量扰动信号分类(四)基于CNN-BiLSTM的一维信号分类模型-CSDN博客
Python电能质量扰动信号分类(五)基于CNN-Transformer的一维信号分类模型-CSDN博客
基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型-CSDN博客
前言
本文基于Python仿真的电能质量扰动信号，先经过数据预处理进行数据集的制作和加载，然后通过特征提取和机器学习方法进行扰动信号识别，特征提取是通过从原始PQD信号中提取有意义的特征来减少数据维度，并捕捉到信号的关键信息，机器学习方法能够基于这些特征建立模型，并通过训练和学习来识别不同的扰动信号。
Python仿真电能质量扰动信号的详细介绍可以参考下文（文末附10分类数据集）：
电能质量扰动信号数据介绍与分类-Python实现_python给电压数据做分类-CSDN博客
部分扰动信号类型波形图如下所示：
1 数据集和特征提取
1.1 数据集导入
在参考IEEE Std1159-2019电能质量检测标准与相关文献的基础上构建了扰动信号的模型，生成包括正常信号在内的10中单一信号和多种复合扰动信号。参考之前的文章，进行扰动信号10分类的预处理：
第一步，按照公式模型生成单一信号
单一扰动信号可视化：
根据信号时间步长为 1024 制作数据集
形成5000个样本， 单个样本长度 1024，加上一个标签类别。
1.2 扰动信号特征提取
(1) 峭度（Kurtosis）：衡量信号的尖锐程度，用于检测信号中的高频成分
(2) 熵值（Entropy）：衡量信号的复杂程度和随机性，用于检测信号的频谱特性
(3) 分形值（Fractal Dimension）：衡量信号的自相似性和复杂度，用于分析信号的分形特征
(4) 波形指标（Waveform Indicators）：包括峰值因子、脉冲因子、裕度因子等，用于分析信号的时域特征
(5) 频谱指标（Spectral Indicators）：包括峰值频率、能量比值、谱线形指标等，用于分析信号的频域特征
(6) 频域指标（Time-Frequency Indicators）：包括瞬时频率、瞬时能量等，用于分析信号的时频特征
(7) 统计特征（Statistical Features）：包括均值、方差、偏度等，用于描述信号的统计特性
(8) 小波包特征（Wavelet Packet Features）：通过小波变换提取的特征，用于分析信号的时频局部特性
(9) 振动特征（Vibration Features）：包括峰值振动、有效值振动等，用于描述信号的振动特性
选择了多种特征提取方法来捕捉信号的不同特征，共提取9类13个特征指标，来作为机器学习模型的训练与识别。
2超强模型XGBoost——原理介绍
2.1 原理介绍
论文链接：
XGBoost | Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
GBoost模型（eXtreme Gradient Boosting）是一种梯度提升框架，由Tianqi Chen在2014年开发，并在机器学习领域广泛应用。XGBoost的核心思想是通过迭代地训练多个弱学习器，并将它们组合起来，实现强大的预测能力。它在梯度提升算法的基础上进行了改进和优化，具有高效、灵活和可扩展的特点。
下面是XGBoost的一些关键特性和原理：
1. 梯度提升：XGBoost使用了梯度提升算法，也称为增强学习（Boosting）算法。它通过迭代地训练多个弱学习器，并通过梯度下降的方式来优化模型的预测能力。每个弱学习器都是在前一个弱学习器的残差上进行训练，从而逐步减小预测误差。
2. 基于树的模型：XGBoost采用了基于树的模型，即决策树。决策树是一种非常灵活和可解释的模型，能够学习到复杂的非线性关系。XGBoost使用了CART（Classification and Regression Trees）作为默认的基学习器，每个决策树都是通过不断划分特征空间来实现分类或回归任务。
3. 正则化策略：为了防止过拟合，XGBoost引入了正则化策略。它通过控制决策树的复杂度来限制模型的学习能力。常用的正则化策略包括限制决策树的最大深度、叶子节点的最小样本数和叶子节点的权重衰减等。
4. 特征选择和分裂：XGBoost在构建决策树时，通过特征选择和分裂来最大化模型的增益。特征选择基于某种评估准则（如信息增益或基尼系数），选择对当前节点的划分最有利的特征。特征分裂则是确定特征划分点的过程，使得划分后的子节点能够最大程度地减小预测误差。
5. 并行计算：为了提高模型的训练速度，XGBoost使用了并行计算的策略。它通过多线程和分布式计算等技术，将训练任务分解为多个子任务，并在不同的处理器上同时进行计算。这样可以加快模型的训练速度，特别是在处理大规模数据集时表现优异。
6. 自定义损失函数：XGBoost允许用户自定义损失函数，以适应不同的任务和需求。用户可以根据具体问题的特点，定义适合的损失函数，并在模型训练过程中使用它。
XGBoost模型通过梯度提升算法和基于树的模型，在许多机器学习任务中都取得了很好的效果，包括分类、回归、排序和推荐等。我们利用其高效、灵活和可扩展的特性，使用XGBoost来构建一个梯度提升模型，通过迭代地训练多个决策树来实现轴承故障识别。
2.2 特征数据集制作
3 模型评估和对比
3.1 随机森林分类模型
模型分数、准确率、精确率、召回率、F1 Score
扰动信号十分类混淆矩阵
3.2 支持向量机SVM分类模型
模型分数、准确率、精确率、召回率、F1 Score
扰动信号十分类混淆矩阵：
3.3 XGBoost分类模型
模型分数、准确率、精确率、召回率、F1 Score
扰动信号十分类混淆矩阵：
实验结果表明，所提取的各种特征都对电能质量扰动信号识别有一定的贡献。峭度、熵值和分形值能够帮助捕捉信号的尖锐程度、复杂程度和自相似性，从而有效地区分不同类型的扰动信号。波形指标、频谱指标和频域指标能够提供信号的时域和频域特征，有助于识别扰动信号的时频特性。统计特征、小波包特征和振动特征则能够描述信号的统计特性和振动特性，从而更好地区分扰动信号。
对比可以看出来， XGBoost分类模型性能最好，在训练集、测试集上的表现最优，模型分数也是最高，在扰动信号识别中取得了良好的效果。通过准确地捕捉到信号的特征和模式，能够对不同类型和程度的信号类型进行准确的识别和分类，准确率达到98%，速度快，性能好，创新度高。
代码、数据如下：
对数据集和代码感兴趣的，可以关注最后一行
# 加载数据
import torch
from joblib import dump, load
import torch.utils.data as Data
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
# 参数与配置
torch.manual_seed(100) # 设置随机种子，以使实验结果具有可重复性
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
#代码和数据集：https://mbd.pub/o/bread/mbd-ZZuWlp5y
参考阅读
发表评论