-
题名基于小样本下改进ChaosNet的轴承故障诊断
被引量：3
- 1
-
-
作者
李天昊
李志星
王衍学
-
机构
北京建筑大学机电与车辆工程学院
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
-
出处
《组合机床与自动化加工技术》
北大核心
2024年第2期182-185,192,共5页
-
基金
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)
北京建筑大学青年教师科研能力提升计划课题项目(X21053)。
-
文摘
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
-
Keywords
small sample training
neural chaos learning
rolling bearing
fault diagnosis
-
分类号
TH133.3
[机械工程—机械制造及自动化]
TG66
[金属学及工艺—金属切削加工及机床]
-
