科研之友
微信
新浪微博
Facebook
分享链接
摘要
使用一般诊断算法对滚动轴承进行故障排查时，需要对数据进行特征提取，而在其特征提取过程中存在数据量庞大、手动提取和选择受限的问题，为此，提出了一种基于卷积神经网络(CNN)与CatBoost的混合分类模型(方法),以进行轴承的故障诊断。首先，将预处理后的数据经过CNN提取的特征作为输入量，输入到该模型中，提取了训练后输出的模型参数；然后，使用CatBoost方法对滚动轴承数据集进行了分析，进一步研究了不同学习模型在同一数据集下对分类精度的影响；最后，通过降低过拟合的风险，运用4种相关系数指标进行了对比实验，研究了CNN-CatBoost混合分类模型对滚动轴承故障数据的分类效果。研究结果表明：基于CNN与CatBoost方法进行轴承故障诊断的平均准确率达到98%以上，该方法的有效性得到了验证；采用少量的数据训练样本即可达到较好的轴承故障数据分类效果，与单一深度学习模型和一些典型机器学习模型相比，该模型具有更好的性能。
- 单位
