1.一种基于改进SMOTE和分类器的轴承故障诊断方法,其特征在于,包括:S1、依据采集的轴承原始振动信号构建样本,获得样本集;
S2、对样本集进行数据预处理,划分不均衡训练集、测试集;
S3、将原始SMOTE算法的合成公式引入偏移因子与缩放因子,建立改进SMOTE的合成公式;
S4、使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系,得到最优参数组合,即偏移因子、缩放因子组合;依据改进SMOTE的合成公式,生成虚拟样本;
S5、将生成的虚拟样本加入到不均衡训练集内,形成均衡训练集;
S6、使用均衡训练集训练分类器,测试集/待测试样本进行测试得到诊断结果;
所述改进SMOTE的合成公式如下:
;
其中, 表示改进SMOTE生成的样本, 定义为偏移因子, 定义为缩放因子, 表示的是 的第 个邻近样本,为不均衡训练集中的少数类样本;
所述使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系,得到最优参数组合,具体为:建立偏移因子、缩放因子与SVM分类准确率的优化关系,优化手段为粒子群算法,定义SVM分类准确率为 ,优化的目标为SVM分类准确率最大,即最小,得到最优参数组合;
所述偏移因子 、缩放因子 取值范围: , 。
2.根据权利要求1所述的基于改进SMOTE和分类器的轴承故障诊断方法,其特征在于,所述预处理为对样本集中的每一个样本进行特征提取得到特征矩阵,使用PCA降维方法对特征提取后的特征矩阵进行降维,取累积主成分贡献率大于等于95%的主成分进行保留。
3.根据权利要求1所述的基于改进SMOTE和分类器的轴承故障诊断方法,其特征在于,所述S4,使用目标优化算法进行最优参数组合获取时,利用不均衡训练集中的少数类样本划分类内训练集及类内测试集对分类器进行训练和测试。
4.一种基于改进SMOTE和分类器的轴承故障诊断系统,其特征在于,包括:第一获得模块,用于依据采集的轴承原始振动信号构建样本,获得样本集;
划分模块,用于对样本集进行数据预处理,划分不均衡训练集、测试集;
建立模块,用于将原始SMOTE算法的合成公式引入偏移因子与缩放因子,建立改进SMOTE的合成公式;
生成模块,用于使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系,得到最优参数组合,即偏移因子、缩放因子组合;依据改进SMOTE的合成公式,生成虚拟样本;
获得模块,用于将生成的虚拟样本加入到不均衡训练集内,形成均衡训练集;
诊断模块,使用均衡训练集训练分类器,测试集/待测试样本进行测试得到诊断结果;
所述改进SMOTE的合成公式如下:
;
其中, 表示改进SMOTE生成的样本, 定义为偏移因子, 定义为缩放因子, 表示的是 的第 个邻近样本,为不均衡训练集中的少数类样本;
所述使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系,得到最优参数组合,具体为:建立偏移因子、缩放因子与SVM分类准确率的优化关系,优化手段为粒子群算法,定义SVM分类准确率为 ,优化的目标为SVM分类准确率最大,即最小,得到最优参数组合;
所述偏移因子 、缩放因子 取值范围: , 。
5.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1‑3中任意一项所述的基于改进SMOTE和分类器的轴承故障诊断方法。