该程序利用Bagging模型和决策树模型对汽车发动机进行工况识别,数据集包括在1500、2000、2500和3000的转速下采集的声学信号,共5种发动机工况:正常工况Normal(0),稀薄燃烧工况Lean(1),富氧燃烧工况Rich(2),点火提前工况Spark Advance(3)和火花延迟工况Spark Retard(4)。可用与机器学习,深度学习,故障诊断相关的论文创新。
由于文件为TDMS文件类型,使用MATLAB或excel打开请参考如下文章
如何用MATLAB打开tdms文件 - 你在悲伤什么的文章 - 知乎 如何用MATLAB打开tdms文件 - 知乎
后缀是tdms的文件怎么打开? - zhihurz的回答 - 知乎 后缀是tdms的文件怎么打开? - 知乎
为了方便,我直接用excel画图,首先几个工况的时域波形
Lean 3000工况
Normal 3000工况
Spark Adv 3000工况
其次进行特征提取,特征提取较为简单,不再赘述
然后看一下所提取的特征
读取特征数据
data = readtable('Features.xlsx');
提取预测变量和响应变量
predictors = data.Properties.VariableNames(1:end-1);
X = data(:, predictors);
response = data.Properties.VariableNames(end);
Y = table2array(data(:, response));
打乱数据
rng(394)
idx = randperm(size(data, 1));
X = X(idx, :);
Y = Y(idx, :);
cvp = cvpartition(Y, 'Holdout', 0.3);
设置训练据和测试集
X_train = X(cvp.training, :);
Y_train = Y(cvp.training, :);
X_test = X(cvp.test, :);
Y_test = Y(cvp.test, :);
创建一个决策树模板
template = templateTree('MaxNumSplits', length(Y)-1);
使用交叉验证方法进行训练
k = 10;
iterations = 100;
model = fitcensemble(X_train, Y_train, ...
'Method', 'Bag', ...,
'Type', 'classification', ...
'NumLearningCycles', iterations, ...
'Learners', template, ...
'ClassNames', unique(Y), ...
'KFold', k);
%计算Loss
cost = kfoldLoss(model, 'Mode', 'cumulative');
绘制累积的 10 折交叉验证错误分类率
figure;
plot(cost)
grid on
xlabel('Learning cycle')
ylabel('10-fold Misclassification rate')
title(['Generalization error: ', num2str(cost(end))])
legend('Model performance')
保存模型
save('model.mat', 'model')
做预测
Y_pred = predict(model.Trained{1}, X_test);
计算模型准确率
p = Y_pred == Y_test;
accuracy = sum(p) / numel(p);
绘制混淆矩阵
figure;
C = confusionchart(Y_test, Y_pred, ...
'RowSummary','row-normalized', ...
'ColumnSummary','column-normalized');
title({'Confusion matrix - Bagged Trees', ['Accuracy: ', num2str(accuracy*100), '%']})
详细代码
https://mianbaoduo.com/o/bread/mbd-Yp2alZZv
或者
【xian鱼】https://m.tb.cn/h.fz7cTHa?tk=xBTQ2HEk6y2 CZ3457
知乎
基于机器学习的汽车发动机工况识别方法 - 哥廷根数学学派的文章 - 知乎
https://zhuanlan.zhihu.com/p/552071812