典型文献
基于1D CNN-XGBoost的滚动轴承故障诊断
文献摘要：
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.
文献关键词：
一维卷积神经网络;XGBoost算法;滚动轴承;故障诊断
中图分类号：
作者姓名：
张超;秦敏敏;张少飞
作者机构：
内蒙古科技大学机械工程学院,内蒙古包头014010;内蒙古自治区机电系统智能诊断与控制重点实验室,内蒙古包头014010
文献出处：
引用格式：
[1]张超;秦敏敏;张少飞-.基于1D CNN-XGBoost的滚动轴承故障诊断)[J].机床与液压,2022(16):169-173
A类：
B类：
XGBoost,滚动轴承故障诊断,自动分类,机器学习方法,过手,提取特征,特征的提取,自适应性,一维卷积神经网络,1DCNN,单通道,故障分类,分类模型,轴承振动,振动信号,数据集划分,训练集,练好,轴承数据,数据特征,自动提取,特征数据集,凯斯,数据中心,实验对比,泛化性,分类准确率,分类性能
AB值：
0.273978
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
