基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究

发布时间：2023-03-11 21:11

　　针对齿轮箱的复合故障诊断问题,将深度卷积神经网络(Deep Convolutional Neural Network,DCNN)与XGBoost(e Xtreme Gradient Boosting)算法相结合,建立故障诊断模型。首先,利用深度卷积神经网络自适应提取原始振动加速度信号的特征矩阵。其次,将所得到的特征矩阵作为输入数据,运用网格调参法对XGBoost算法进行参数调整,得到XGBoost模型。最后,作为训练数据训练XGBoost模型,得到DCNN-XGBoost齿轮箱故障诊断模型。为了验证该模型的有效性和XGBoost算法的优越性,与DCNN-BP神经网络、DCNN-随机森林和DCNN-支持向量机三种模型作对比分析,并且对DCNN所得特征矩阵和人工提取的特征矩阵进行t-SNE可视化降维分析。结果表明,DCNN获得的特征矩阵可视化的效果优于人工提取的特征矩阵,并且随机森林的稳定性不如XGBoost算法,和BP神经网络相比,XGBoost算法在防止过拟合方面有一定的优势,SVM与DCNN的结合有其局限性,最后DCNN-XGBoost模型的诊断正确率和时间优于其他模型。

【文章页数】：8 页

【文章目录】：
引言
1 XGBoost算法
2 DCNN-XGBoost模型
    2.1 深度卷积神经网络模型
    2.2 DCNN-XGBoost模型
    2.3 参数调节
3 实验与分析
    3.1 特征提取
    3.2 参数调节
    3.3 模型对比
4 结语



本文编号：3760254