基于小样本下改进ChaosNet的轴承故障诊断 |
| |
引用本文: | 李天昊,李志星,王衍学.基于小样本下改进ChaosNet的轴承故障诊断[J].组合机床与自动化加工技术,2024(2):182-185+192. |
| |
作者姓名: | 李天昊 李志星 王衍学 |
| |
作者单位: | 1. 北京建筑大学机电与车辆工程学院;2. 北京建筑大学城市轨道交通车辆服役性能保障重点实验室 |
| |
基金项目: | 国家自然科学基金项目(51875032);;国家自然科学基金青年基金项目(51805275); |
| |
摘 要: | 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。
|
关 键 词: | 小样本训练 神经混沌学习 滚动轴承 故障诊断 |
|
|