基于机器学习的自适应特征工程声学空化检测

人工智能 其他 案例ID:184225
小傻鱼
3 年经验· 西安电子科技大学,法兰克福高等研究院
微信扫码沟通,客服可协助直接对接工程师;如当前档期不合,也可继续推荐相似案例作者。

案例介绍

阀门在工业和家庭管道系统中被广泛使用。然而,在其运行过程中,它们可能会遭受空化现象的发生,这可能会导致巨大的噪音、振动和对阀门内部组件的损坏。因此,监测阀门内部的流动状态对防止空化现象引起的额外费用是非常有益的。本文提出了一个新颖的声学信号空化检测框架--基于XGBoost与自适应选择特征工程。首先,开发了一种非重叠滑动窗口(NOSW)的数据增强方法来解决本研究中涉及的小样本问题。然后,通过快速傅里叶变换(FFT)对每段时域声学信号进行变换,并提取其统计特征,作为自适应选择特征工程(ASFE)程序的输入,在此过程中进行自适应特征聚合和特征交叉。最后,利用选定的特征对XGBoost算法进行空化检测的训练,并在Samson AG(法兰克福)提供的阀门声学信号数据上进行测试。我们的方法已经取得了最先进的结果。在二元分类(空化和无空化)和四元分类(空化窒息流、恒定空化、初生空化和无空化)上的预测性能令人满意,比传统的XGBoost算法的准确率提高了4.67%和11.11%。

基于机器学习的自适应特征工程声学空化检测

人工智能 · 其他 案例ID:184225
联系该工程师
微信扫码,建群沟通
作者: 小傻鱼 - 3年经验- 西安电子科技大学,法兰克福高等研究院

案例介绍

阀门在工业和家庭管道系统中被广泛使用。然而,在其运行过程中,它们可能会遭受空化现象的发生,这可能会导致巨大的噪音、振动和对阀门内部组件的损坏。因此,监测阀门内部的流动状态对防止空化现象引起的额外费用是非常有益的。本文提出了一个新颖的声学信号空化检测框架--基于XGBoost与自适应选择特征工程。首先,开发了一种非重叠滑动窗口(NOSW)的数据增强方法来解决本研究中涉及的小样本问题。然后,通过快速傅里叶变换(FFT)对每段时域声学信号进行变换,并提取其统计特征,作为自适应选择特征工程(ASFE)程序的输入,在此过程中进行自适应特征聚合和特征交叉。最后,利用选定的特征对XGBoost算法进行空化检测的训练,并在Samson AG(法兰克福)提供的阀门声学信号数据上进行测试。我们的方法已经取得了最先进的结果。在二元分类(空化和无空化)和四元分类(空化窒息流、恒定空化、初生空化和无空化)上的预测性能令人满意,比传统的XGBoost算法的准确率提高了4.67%和11.11%。

相似案例推荐

发布任务

企业点击发布任务,工程师会在任务下报名,招聘专员也会在 1 小时内与您联系确认。

1小时精推人才

需求方专属客服,免费梳理匹配

需求方客服微信二维码
扫码加微信 · 客服人工对接
更多案例
微信沟通 客服 看中这位工程师了?客服帮你 1 小时对接沟通 → ×