期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于组稀疏学习与AVOA-XGBoost的轴承故障分级诊断 被引量：2
1
作者 张吉祥 张孟健 +1 位作者 王德光 杨明 《振动与冲击》 EI CSCD 北大核心 2024年第18期96-105,共10页
针对工业设备中轴承振动信号在噪声环境下故障分级诊断准确率低的问题,提出一种基于组稀疏学习与非洲秃鹫优化算法优化极端梯度提升树(African vultures optimization algorithm-extreme gradient boosting,AVOA-XGBoost)的轴承故障分... 针对工业设备中轴承振动信号在噪声环境下故障分级诊断准确率低的问题,提出一种基于组稀疏学习与非洲秃鹫优化算法优化极端梯度提升树(African vultures optimization algorithm-extreme gradient boosting,AVOA-XGBoost)的轴承故障分级诊断方法。首先,利用组稀疏学习对轴承振动信号进行重构,以降低噪声水平并更有效地表征故障脉冲。然后,对重构后的信号提取时域、频域和熵值特征并构建特征集。最后,利用AVOA自适应优化XGBoost超参数以建立稳健的XGBoost模型,进而高效实现轴承故障分级诊断。试验结果表明,经过组稀疏学习重构的信号具备更强故障特征表示能力,相较于传统机器学习模型,采用AVOA-XGBoost模型进行分类能够取得更高准确率,所提方法能够有效诊断轴承故障类型及故障程度。 展开更多
关键词 轴承故障诊断 组稀疏学习 特征提取 非洲秃鹫优化算法 XGBoost
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部