基于1D CNN-XGBoost的滚动轴承故障诊断

在滚动轴承故障自动分类的研究中，使用传统的机器学习方法需要通过手动提取特征，因此特征的提取并不充分且自适应性不强。针对以上问题，提出一种一维卷积神经网络(1D CNN)结合XGBoost算法的单通道滚动轴承故障分类模型。该模型结合1D CNN和XGBoost的优势，对采集到的轴承振动信号进行数据集划分；使用训练集对1D CNN进行训练，把训练好的1D CNN模型进行保存并用来实现轴承数据特征的自动提取；将提取的特征数据集代入XGBoost算法中进行训练和分类。为验证所提模型的有效性，使用凯斯西储大学轴承数据中心提供的数据对1D CNN模型、XGBoost模型和1D CNN-XGBoost模型进行实验对比；为验证1D CNN-XGBoost的泛化性，使用一组新的滚动轴承数据集进行实验。结果表明：1D CNN-XGBoost模型的分类准确率更高，是一种有效的轴承故障分类模型，具有很好地分类性能和泛化性。

Fault Diagnosis of Rolling Bearing Based on 1D CNN-XGBoost