基于1D CNN-XGBoost的滚动轴承故障诊断

摘要：

在滚动轴承故障自动分类的研究中,使用传统的机器学习方法需要通过手动提取特征,因此特征的提取并不充分且自适应性不强.针对以上问题,提出一种一维卷积神经网络(1DCNN)结合XGBoost算法的单通道滚动轴承故障分类模型.该模型结合1D CNN和XGBoost的优势,对采集到的轴承振动信号进行数据集划分;使用训练集对1D CNN进行训练,把训练好的1D CNN模型进行保存并用来实现轴承数据特征的自动提取;将提取的特征数据集代人XGBoost算法中进行训练和分类.为验证所提模型的有效性,使用凯斯西储大学轴承数据中心提供的数据对1D CNN模型、XGBoost模型和1D CNN-XGBoost模型进行实验对比;为验证1D CNN-XGBoost的泛化性,使用一组新的滚动轴承数据集进行实验.结果表明:1D CNN-XGBoost模型的分类准确率更高,是一种有效的轴承故障分类模型,具有很好地分类性能和泛化性.

关键词：一维卷积神经网络、XGBoost算法、滚动轴承、故障诊断

所属期刊栏目：50

分类号：TH133.3;TN911.7

资助基金：国家自然科学基金51965052

在线出版日期：2022-10-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：169-173