基于Nadam-TimeGAN和XGBoost的时序信号故障诊断方法

TP18; 为了提高故障诊断模型在数据不平衡场景下的诊断性能和模型泛化能力,提出了一种基于Nadam-TimeGAN和XGBoost的时序信号故障诊断方法.首先对比基于LSTM和GRU的TimeGAN模型,选取性能更优的GRU网络作为TimeGAN模型的组成单元,然后采用Nadam优化算法对TimeGAN模型的各组件进行优化,即构建Nadam-TimeGAN模型用以数据扩充,最后构建一个平衡的数据集输入XGBoost集成学习模型进行分类训练.实验选取转辙机动作电流数据集进行验证性实验,选取MFPT轴承数据集和CWRU轴承数据集进行泛化性实验,并与8种方法进行对比,结果表明,所提方法在准确率、召...

Full description

Saved in:
Bibliographic Details
Published in通信学报 Vol. 45; no. 4; pp. 185 - 200
Main Authors 黑新宏, 高苗, 张宽, 费蓉, 邱原, 姬文江
Format Journal Article
LanguageChinese
Published 陕西省网络计算与安全技术重点实验室,陕西 西安 710048%西安理工大学计算机科学与工程学院,陕西 西安 710048 30.04.2024
西安理工大学计算机科学与工程学院,陕西 西安 710048
Subjects
TimeGAN
fault diagnosis
Nesterov加速自适应矩估计
极致梯度提升
data augmentation
故障诊断
Nadam
数据增强
XGBoost
时间序列生成对抗网络
Online AccessGet full text
ISSN1000-436X
DOI10.11959/j.issn.1000-436x.2024081

Cover

More Information
Summary:TP18; 为了提高故障诊断模型在数据不平衡场景下的诊断性能和模型泛化能力,提出了一种基于Nadam-TimeGAN和XGBoost的时序信号故障诊断方法.首先对比基于LSTM和GRU的TimeGAN模型,选取性能更优的GRU网络作为TimeGAN模型的组成单元,然后采用Nadam优化算法对TimeGAN模型的各组件进行优化,即构建Nadam-TimeGAN模型用以数据扩充,最后构建一个平衡的数据集输入XGBoost集成学习模型进行分类训练.实验选取转辙机动作电流数据集进行验证性实验,选取MFPT轴承数据集和CWRU轴承数据集进行泛化性实验,并与8种方法进行对比,结果表明,所提方法在准确率、召回率以及F1-score这3种评价指标上均高于其他方法,从而验证了所提方法在不平衡数据故障诊断方面的有效性和泛化性.
ISSN:1000-436X
DOI:10.11959/j.issn.1000-436x.2024081