一种基于Deep-GBM的航空发动机中介轴承故障诊断方法

摘要：

针对航空发动机中介轴承故障信号难于识别的特点,提出了一种深度梯度提升模型(Deep-GBM)对振动信号特征进行逐层学习以提高分类模型的准确率.开展某型航空发动机中介轴承故障模拟实验,并采用经验模式分解(EMD)方法对采集的振动信号进行分解,提取内蕴模式函数(IMF)分量非线性动力学参数样本熵作为原始故障特征.采用Deep-GBM对中介轴承内环故障、内环和滚动体综合故障、正常、滚棒剥落、滚棒划伤五种不同状态进行识别.实验结果表明,所提出的Deep-GBM故障诊断准确率达到87％,相对于传统的机器学习模型准确率最高提升了28％,并具有良好的泛化能力.

关键词：故障诊断、中介轴承、样本熵、机器学习、梯度提升模型

所属期刊栏目：34

分类号：V231.92;TH133.33(航空发动机（推进系统）)

资助基金：国家自然科学基金11702177;辽宁省自然科学基金20180550650;中央高校基本科研业务费专项基金2018YJS032

在线出版日期：2019-05-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：756-763