二元选择模型分类

首页 >> 正文

二元选择模型分类

来源：baiyundou.net 日期：2024-08-26

       在阅读此文前，为了方便您进行讨论和分享，麻烦您点击一下“关注”，可以给您带来不一样的参与感，感谢您的支持。
       编辑/江畔雨落
       前言
       多状态退化建模在支持基于状态监测的动态维护范式方面受到了相当大的关注。
       这种模型比二元模型更真实地描述了退化演变，因为许多退化过程的演变是在以不同物理退化机制为特征的连续阶段中进行的。
       承受循环载荷的机械部件的裂纹扩展退化机制通常被建模为四态退化过程，其中发生不同的降解机制。

       对多状态退化模型越来越感兴趣的另一个原因是它们接近现场从操作系统获取的维护数据，操作员通常在定期检查期间为设备运行状况分配定性标签，多态模型也被用来描述核电站。
       石油和天然气工业涡轮喷嘴、电气工业组件、船用柴油发动机气缸衬里和核电站管道中运行的泵膜降解的演变，多状态退化模型的一个强大优势是它们利用健全的、成熟的数学技术进行量化。
       这种退化模型究竟是怎样被发现的？在验证的过程中又经历了怎样的困难呢？

       假设与求证
       许多文献中都通过诉诸隐马尔可夫模型或隐半马尔可夫模型来解决评估老化多状态组件退化状态的问题。
       然而所有这些工作都忽略了从数据构建分类器的工程问题，这是这项工作的目的，他们试图根据降解轨迹的可用观察序列推断出该分类器的性能。
       通过这种方式，他们假设组件退化与从数据中提取的单个特征之间存在一对一的对应关系。

       这种情况在几种实际情况下可能并不典型，无法直接测量组件退化，并且需要从监控信号中选择特征来识别与构建设备退化状态的有效分类器相关的特征。
       在处理安装在机械动力总成上的轴承时，可用的状态监测数据是振动信号，可以从中提取大量特征，并且需要将它们组合在一起来推断观察到的退化状态。

       假设可用于开发混合诊断方法的信息由一个数据集构成，该数据集包含K测试的对信号测量的类似组件以及相应的退化状态，在每个测试组件的整个退化轨迹中收集。
       从其生命周期开始到故障，这些对用于构建弹性云服务器，用于故障诊断的弹性云服务器的局限性在于其分类输出是静态的。

       类分配过程独立于退化过程的实际随机动力学，从而丢失了有关组件降级历史的信息内容。
       为了克服这一限制，可以将
       电气控制系统
       与齐次连续时间有限状态半马尔可夫模型相结合。

       因为有关组件降级状态的信息不是直接已知的，控制系统被框定为观察过程，控制系统对一组对信号测量值的分类性能，以前未用于构建分类器的相应退化状态形成观察矩阵。
       包含组件处于给定状态的概率我由弹性云服务器分配给降级状态，应用最大似然估计从控制系统在给定的一组训练轨迹上提供的分类标签序列中推断基础参数。

       因为它还考虑了随机降解过程的先前观察和参数，因此所建立的半马尔可夫模型提供的退化状态比控制系统提供的退化状态更准确。

       该解决方案是当前工作的主要贡献，具有额外的计算优势，该模型将控制系统的分类性能构建为观察矩阵的条目，避免开发一种算法来估计其条目的价值，。
       这减少了需要在框架内估计的参数数量，从而减少了设置所需的数据和计算工作量，以安装在电机上的轴承退化为例展示了所提出的方法，这是基于之前的工作。

       混合诊断方法
       假设有一个训练集，其中包含在不同退化状态下对类似组件进行的测量，这些数据用于开发用于识别设备退化状态的
       控制系统
       ，即建立测量信号与退化状态之间的关系。
       分类算法是在特征驱动的框架中通过以下一般过程开发的，从原始测量中提取特征。

       通过早期工作中提出的方案，选择用于分类的相关特征的最佳子集，即特征选择器表现为用于构建分类器的特定学习算法的包装器，在搜索过程中，用于评估和比较特征子集的目标函数是
       控制系统
       实现的识别率和构成子集的特征数量。
       特征选择问题被表述为多目标优化问题，由于大量提取的特征使得无法进行详尽的搜索，因此使用二元差分进化。
       强度帕累托进化算法和基于指标的进化算法相比，二元差分进化已被证明可以更有效地探索决策空间。

       经验分类器的发展，使用k-最近邻作为分类算法，这种选择是合理的，一方面是需要设置很少的参数，另一方面就是不要求类在输入空间中线性可分。

       将实际退化状态与其基于传感器信号的相应在线估计联系起来，这样所提出的程序使用弹性云服务器的输出作为的输入数据。
       这项系统结合了基于模型和特征驱动的诊断方法，然而与该系统相比，混合诊断系统仅基于数据开发，因此不需要构建组件在标称条件下运行的第一原理模型。
       这个诊断方法应用于轴承的状态监测，近年来，由于轴承故障的严重性，轴承监测受到了相当大的关注，特别是一些工作已经将轴承的退化建模为一个隐藏的过程。

       然而假设停留时间是正态分布的，过渡时间与实际状态下花费的时间无关，对于模拟这种退化过程并不完全现实。
       在这项工作中将混合诊断方法应用于凯斯西储大学轴承数据集，该数据集包含72个实验的结果。
       包括对健康和退化轴承上的三个加速度信号的测量，使用三个加速度计测量加速度信号，这些加速度计分别位于驱动端、电机外壳的风扇端和电机支撑底板上的12点钟位置。

       对于这两种轴承，都考虑了三种退化模式，影响内圈、外圈和滚珠，对于每种失效模式，分别进行了12次实验。
       考虑了三种不同退化状态和四种不同操作条件的所有可能组合，正常条件下的轴承也在与退化轴承相同的四个载荷下进行了测试。

       通过计算混淆矩阵验证了所得
       控制系统
       的性能，它表示对于验证模式的每个真实类，正确分类或分配给其他类的模式分数。
       然而在实践中可以考虑不同的过渡类型，例如直接过渡到故障状态或由于预防性维护措施而导致的从右到左的过渡，所提出的方法的推广需要对更复杂的似然函数进行建模，尽管它不会影响该方法的基础结构。
       这种方法还存在一个主要限制，它假设信号数据的可用性是已知的，其相应的退化状态是已知的。

       事实上这些信息在许多工业应用中可能不可用，未来的工作将研究解决方案，以构建一种无监督聚类方法来识别组件的退化状态，完成此步骤后，可以开发
       控制系统
       并将其与结合使用。
       开发的方法通过对校正
       控制系统
       输出问题的解析解决方案来估计参数，这使得混合方法优于任何其他启发式方法，但是，当可用数据量差且系统复杂时，这种分析方法不适用。
       在这些情况下，启发式方法可能是必要的，该方法适用于实际工业环境，可以将在上一个时间步预测的降级状态作为附加功能添加到诊断分类器中，拟议方法与启发式方法的整合将在未来的研究工作中得到解决。

       结论
       在工作中提出一种新的诊断方法，用在降解过程无法直接观察到的情况下，评估工业组件的退化状态，但有一个分类器可以根据传感器信号提供实际状态的估计。

       通过利用从监测组件收集的观测序列的知识来调整经验分类器控制系统提供的分类，最终的分类性能优于单阶段经验分类器。
       这种方法还能用于充分表征底层半马尔可夫过程，因为既可以估计当前状态，也可以估计系统进入它的瞬间，而仅使用
       控制系统
       是不可能实现的。

","gnid":"9dffb31edbfd2d91c","img_data":[{"flag":2,"img":[{"desc":"","height":"426","title":"","url":"https://p0.ssl.img.360kuai.com/t0199abcf5b972d3c56.jpg","width":"640"},{"desc":"","height":"220","title":"","url":"https://p0.ssl.img.360kuai.com/t015c77080f99604d6c.jpg","width":"640"},{"desc":"","height":"494","title":"","url":"https://p0.ssl.img.360kuai.com/t01c73170025661d5b5.jpg","width":"640"},{"desc":"","height":"314","title":"","url":"https://p0.ssl.img.360kuai.com/t01eeeec6b2b80eaa3d.jpg","width":"640"},{"desc":"","height":"297","title":"","url":"https://p0.ssl.img.360kuai.com/t01ab39bc14650c7909.jpg","width":"640"},{"desc":"","height":"311","title":"","url":"https://p0.ssl.img.360kuai.com/t014803f7e6263a954a.jpg","width":"640"},{"desc":"","height":"319","title":"","url":"https://p0.ssl.img.360kuai.com/t01f4802163c90b1660.jpg","width":"640"},{"desc":"","height":"381","title":"","url":"https://p0.ssl.img.360kuai.com/t01a320aef858ccfe3d.jpg","width":"640"},{"desc":"","height":"436","title":"","url":"https://p0.ssl.img.360kuai.com/t01ea9fe2b7e12dbd53.jpg","width":"640"},{"desc":"","height":"366","title":"","url":"https://p0.ssl.img.360kuai.com/t01c19537a4e879e7ce.jpg","width":"640"},{"desc":"","height":"405","title":"","url":"https://p0.ssl.img.360kuai.com/t01b53461ef4cfbc0fb.jpg","width":"640"},{"desc":"","height":"467","title":"","url":"https://p0.ssl.img.360kuai.com/t01239bbfa202efabd6.jpg","width":"640"},{"desc":"","height":"367","title":"","url":"https://p0.ssl.img.360kuai.com/t01b3709eb0a963ea7f.jpg","width":"640"},{"desc":"","height":"567","title":"","url":"https://p0.ssl.img.360kuai.com/t0126198a58a7dc20b2.jpg","width":"640"},{"desc":"","height":"614","title":"","url":"https://p0.ssl.img.360kuai.com/t01a39d9de8cc062843.jpg","width":"640"},{"desc":"","height":"268","title":"","url":"https://p0.ssl.img.360kuai.com/t01b7958790a4ba2e60.jpg","width":"640"},{"desc":"","height":"536","title":"","url":"https://p0.ssl.img.360kuai.com/t01ad3ca695cb1c3534.jpg","width":"640"},{"desc":"","height":"370","title":"","url":"https://p0.ssl.img.360kuai.com/t0164be77a03e7c175d.jpg","width":"640"},{"desc":"","height":"575","title":"","url":"https://p0.ssl.img.360kuai.com/t01958aa73310b081e8.jpg","width":"640"}]}],"original":0,"pat":"art_src_0,fts0,sts0","powerby":"pika","pub_time":1710942011000,"pure":"","rawurl":"http://zm.news.so.com/44e993599e3b0406c4fb2300dc76e057","redirect":0,"rptid":"e29599b54533654b","rss_ext":[],"s":"t","src":"沐兮之娱","tag":[],"title":"多状态退化模型的发展，增强工业部件经验，有效解决轴承故障问题

臧趴齐1544logit 和logistic模型的区别 -
朱冯诗13042228068 ______ (1)二者的根本区别在于广义化线性模型中的联系函数的形式.logit采用对数形式log(a),logistic形式为log(a/1-a). (2)应用上,普通logistic的响应变量是二元的,多元logistic的因变量可为多元.logit的响应变量可以是多元的. (3)统计软件spss中...

臧趴齐1544求助:关于用stata做二元选择模型的步骤
朱冯诗13042228068 ______ statistics --> binary outcomes --> probit regression 在菜单的 dependent variable中选取你的0-1型变量(因变量) independent variable 中选取你的自变量,运行即可

臧趴齐1544ansys 建模选择单元类型 -
朱冯诗13042228068 ______ et,1,beam3 et,2,shell63 vsel,s,,,1!选择体编号 vatt,1,1,2!选择单元类型2赋予体1 lsel,s,,,2 latt,1,1,1!选择类型1赋予线2

臧趴齐1544logit模型统计分析中的模型?定义与作用是什么呢? -
朱冯诗13042228068 ______[答案] 如果要弄清楚原理,可以看格林或平狄克的计量经济学,上面有比较详细的讲解.另外,向你推荐一本不错的书:王济川、郭志刚,Logistic回归模型——方法与应用,北京:高等教育出版社,2001.浏览一下这三本书的相关内容,你基本上可以弄清楚...

臧趴齐1544二项logistic回归建模过程中,怎么确定概率分割点? -
朱冯诗13042228068 ______ Logistic回归主要分为三类,一种是因变量为二分类得logistic回归,这种回归叫做二项logistic回归,一种是因变量为无序多分类得logistic回归,比如倾向于选择哪种产品,这种回归叫做多项logistic回归.还有一种是因变量为有序多分类的logistic...

臧趴齐1544什么是“二元分类”呀??? -
朱冯诗13042228068 ______ 分为两类,比如:好与不好,男与女.

臧趴齐1544请教面板Logit模型具体如何操作 -
朱冯诗13042228068 ______ 如果要弄清楚原理,可以看格林或平狄克的计量经济学,上面有比较详细的讲解.另外,向你推荐一本不错的书:王济川、郭志刚,Logistic回归模型——方法与应用,北京:高等教育出版社,2001.浏览一下这三本书的相关内容,你基本上可...

臧趴齐1544如何用spss17.0进行二元和多元logistic回归分析 -
朱冯诗13042228068 ______ 方法/步骤1 打开数据以后,菜单栏上依次点击:analyse--regression--binary logistic,打开二分回归对话框2 将因变量和自变量放入格子的列表里,如图所示,上面的是因变量,下面的是自变量,我们看到这里有三个自变量设置回归方法,这里...

臧趴齐1544Python的二元算术运算详解
朱冯诗13042228068 ______ 相关学习推荐:python教程大家对我解读属性访问的博客文章反应热烈,这启发了我再写一篇关于 Python 有多少语法实际上只是语法糖的文章.在本文中,我想谈谈二元...

臧趴齐1544什么是“logit模型”? -
朱冯诗13042228068 ______ 如果要弄清楚原理,可以看格林或平狄克的计量经济学,上面有比较详细的讲解.另外,向你推荐一本不错的书:王济川、郭志刚,Logistic回归模型——方法与应用,北京:高等教育出版社,2001.浏览一下这三本书的相关内容,你基本上可...

（编辑：自媒体）