文献类型：期刊文章

作　　者：张钰[1] 陈珺[1] 王晓峰[2] 刘飞[1]

ZHANG Yu;CHEN Jun;WANG Xiao-feng;LIU Fei(Key Laboratory of Advanced Process Control for Light Industry, Ministry of Education,Institute of Automation, Jiangnan University, Wuxi 214122, Jiangsu China;SIEMENS China Institute, Beijing 100000, China)

机构地区：[1]轻工过程先进控制教育部重点实验室,江南大学自动化研究所,江苏无锡214122 [2]西门子中国研究院,北京100000

出　　处：《噪声与振动控制》

基　　金：国家自然科学基金资助项目(NSFC 61403167)

年　　份：2017

卷　　号：37

期　　号：4

起止页码：166-170

语　　种：中文

收录情况：CSCD、CSCD_E2017_2018、JST、ZGKJHX、普通刊

摘　　要：针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出一种基于分类与回归树的Xgboost(e Xtreme Gradient Boosting)轴承故障诊断算法。Xgboost是包含多个分类器的集成学习方法。通过Xgboost的"提升"思想来提高滚动轴承故障诊断的精度。首先,从滚动轴承的振动信号中提取时域特征参数;然后利用Xgboost算法对滚动轴承故障进行诊断。将SQI-MFS实验平台的轴承振动数据,与传统分类器(支持向量机、邻近算法和人工神经网络)以及单个分类回归树的诊断结果相比,结果表明Xgboost在轴承故障诊断率上优于上述几种算法,且计算时间比传统提升决策树算法短。

关 键 词：振动与波 滚动轴承 故障诊断 支持向量机 Xgboost  

分 类 号：TH133.3] TP206]