針對(duì)齒輪箱的復(fù)合故障診斷問題,將深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network,DCNN)與XGBoost(e Xtreme Gradient Boosting)算法相結(jié)合,建立故障診斷模型。首先,利用深度卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)提取原始振動(dòng)加速度信號(hào)的特征矩陣。其次,將所得到的特征矩陣作為輸入數(shù)據(jù),運(yùn)用網(wǎng)格調(diào)參法對(duì)XGBoost算法進(jìn)行參數(shù)調(diào)整,得到XGBoost模型。最后,作為訓(xùn)練數(shù)據(jù)訓(xùn)練XGBoost模型,得到DCNN-XGBoost齒輪箱故障診斷模型。為了驗(yàn)證該模型的有效性和XGBoost算法的優(yōu)越性,與DCNN-BP神經(jīng)網(wǎng)絡(luò)、DCNN-隨機(jī)森林和DCNN-支持向量機(jī)三種模型作對(duì)比分析,并且對(duì)DCNN所得特征矩陣和人工提取的特征矩陣進(jìn)行t-SNE可視化降維分析。結(jié)果表明,DCNN獲得的特征矩陣可視化的效果優(yōu)于人工提取的特征矩陣,并且隨機(jī)森林的穩(wěn)定性不如XGBoost算法,和BP神經(jīng)網(wǎng)絡(luò)相比,XGBoost算法在防止過擬合方面有一定的優(yōu)勢(shì),SVM與DCNN的結(jié)合有其局限性,最后DCNN-XGBoost模型的診斷正確率和時(shí)間優(yōu)于其他模型。

【文章頁數(shù)】：8 頁

【文章目錄】：
引言
1 XGBoost算法
2 DCNN-XGBoost模型
    2.1 深度卷積神經(jīng)網(wǎng)絡(luò)模型
    2.2 DCNN-XGBoost模型
    2.3 參數(shù)調(diào)節(jié)
3 實(shí)驗(yàn)與分析
    3.1 特征提取
    3.2 參數(shù)調(diào)節(jié)
    3.3 模型對(duì)比
4 結(jié)語



本文編號(hào)：3760254