2022年天府杯数学建模A题-仪器故障智能诊断研究一-博主个人作品

在2022年的第二届天府杯全国大学生数学建模竞赛中，参赛队伍#A485探讨了仪器故障智能诊断的研究，重点在于基于图像识别与多模型建模的故障检测技术。他们面临的任务主要包括信号去噪、特征提取、无监督与有监督的故障类型识别模型的构建，并利用各种评价指标来评估模型的性能。 在问题一中，参赛队伍对原始数据进行去噪处理，以消除干扰信号。他们采用了滑动平均法、Savitzky-Golay滤波和小波变换（固定阈值、软阈值、硬阈值）等方法。通过比较均方误差（MSE）、和方差（SSE）、均方根误差（RMSE）、信噪比（SNR）、平滑度（R）和互相关系数（ρ），最终选择了Savitzky-Golay滤波作为最佳去噪手段。这一过程旨在提高数据的可分析性，为后续的故障识别提供更纯净的数据。 问题二涉及特征提取，团队选取了10种时域特征，如均值、标准差、方根幅值等，对A、B两类故障数据的特征分布和相关性进行了分析，并将所有数据的特征进行汇总。这些特征是区分不同故障状态的关键，有助于构建有效的故障识别模型。 对于问题三，研究团队采用了无监督学习方法K-means、DBSCAN和Spectral聚类算法。通过评估准确率、召回率、耗时以及轮廓系数、兰德系数、调整兰德系数，他们发现使用特征数据输入的K-means模型在无监督故障识别中表现最佳，满足了90%以上的准确率要求。 接着，在问题四中，他们应用了8种有监督分类算法，包括SVM、Xgboost、RF、MLP、DT、GaussianNB、KNN和Adaboost。通过精确率、F1-score、AUC等指标分析，他们发现采用提取的特征并以80%训练样本训练的MLP模型在有监督故障识别中达到95%以上的准确率，标准差控制在5以内，表现出色。 在问题五中，参赛队尝试将一维信号转化为二维图像，借助迁移学习技术（微调策略）结合预训练的深度学习模型（AlexNet和ResNet-18）进行图像分类。这种方法在视觉层面上区分了两类故障，进一步提升了诊断能力。 这篇论文展示了如何利用数据预处理、特征工程、无监督与有监督学习以及图像识别技术来优化仪器故障的智能诊断。通过对不同方法的比较和选择，团队找到了在特定问题下最有效的解决方案，为实际应用提供了有价值的参考。关键词包括时域特征挖掘、多模型建模、迁移学习和图像分类，这些是构建高效故障诊断系统的关键技术。