基于小样本下改进ChaosNet的轴承故障诊断

为解决在训练样本不足条件下，轴承故障特征提取困难的问题，提出一种基于改进神经混沌学习(neurochaos learning+AdaBoost, NL-AdaBoost)的轴承故障诊断新方法。首先，对时域振动信号进行快速傅里叶变换(fast fourier transform, FFT)提取频域特征，拼接时频域信号获得一维特征样本；其次，输入信号产生对混沌GLS神经元的激励，形成ChaoFEX特征，馈送至集成学习分类器(AdaBoost);随后，选取轴承故障特征样本，对样本集做k折交叉验证，获得模型最优超参数值，将其应用于测试集进行模型分类能力验证；最后，在小样本对比实验中，与4种常见深度学习算法比较模型的macro F1-score。实验结果证明，在低训练样本条件下，NL-AdaBoost模型具有良好的准确性和泛化能力。