基于小样本下改进ChaosNet的轴承故障诊断

为解决在训练样本不足条件下,轴承故障特征提取困难的问题,提出一种基于改进神经混沌学习(neurochaos learning+AdaBoost,NL-AdaBoost)的轴承故障诊断新方法。首先,对时域振动信号进行快速傅里叶变换(fast fourier transform,FFT)提取频域特征,拼接时频域信号获得一维特征样本;其次,输入信号产生对混沌GLS神经元的激励,形成ChaoFEX特征,馈送至集成学习分类器(AdaBoost);随后,选取轴承故障特征样本,对样本集做k折交叉验证,获得模型最优超参数值,将其应用于测试集进行模型分类能力验证;最后,在小样本对比实验中,与4种常见深度学习算法比较模型的macro F1-score。实验结果证明,在低训练样本条件下,NL-AdaBoost模型具有良好的准确性和泛化能力。

资料为PDF文档格式.

本文档关键词:轴承,样本,改进,故障诊断,ChaosNet