期刊专题

10.3969/j.issn.1001-3881.2022.16.031

基于1D CNN-XGBoost的滚动轴承故障诊断

引用
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.

一维卷积神经网络、XGBoost算法、滚动轴承、故障诊断

50

TH133.3;TN911.7

国家自然科学基金51965052

2022-10-21(万方平台首次上网日期,不代表论文的发表时间)

共5页

169-173

暂无封面信息
查看本期封面目录

机床与液压

1001-3881

44-1259/TH

50

2022,50(16)

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn