一种基于改进极端梯度提升决策树的轴承故障诊断方法
A Bearing Fault Diagnosis Method Based on Improved XGBoost作者机构:沈阳大学机械工程学院沈阳110044
出 版 物:《重庆师范大学学报(自然科学版)》 (Journal of Chongqing Normal University:Natural Science)
年 卷 期:2023年第40卷第5期
页 面:30-39页
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 08[工学] 080203[工学-机械设计及理论] 070105[理学-运筹学与控制论] 0802[工学-机械工程] 0701[理学-数学]
基 金:中央引导地方科技发展资金计划项目(No.2021JH6-10500149) 辽宁省自然科学基金项目(No.20180551001)
主 题:滚动轴承 故障诊断 大数据 特征提取 XGBoost
摘 要:针对传统故障诊断模型面向海量故障数据时诊断准确度低的问题,首先,提出了一种局部均值分解与固定点算法联合降噪方法,以消除轴承振动信号中的噪声;其次,为了避免原始信号中敏感特征难以提取的问题,提出了一种基于核主成分分析的降维方法;再次,构建了一种基于改进极端梯度提升决策树的故障诊断模型,采用GS-PSO算法优化SVM性能,进而运用改进极端梯度提升决策树思想修正分类模型的残差以提升模型分类精度,应用Spark-大数据平台,通过并行处理技术进行科学计算;最后,采用CWRU提供的滚动轴承数据进行训练与仿真,证明构建的模型能实现对不同类型滚动轴承的识别诊断,并保证诊断结果的准确率。通过对4种不同故障诊断模型的对比分析,表明本文模型具有可行性和优越性。