基于ISSAE和XGBoost的滚动轴承故障诊断研究

为了提高滚动轴承的故障诊断准确率,并增强诊断模型的抗噪性能,提出了一种基于改进堆栈稀疏自编码(ISSAE)网络和极端梯度提升(XGBoost)相结合的轴承故障诊断方法(ISSAE网络将多个稀疏自编码(SAE)网络堆叠,增强了自编码网络提取数据深层特征的能力,通过改进网络损失函数提高了网络抗噪性能)。首先,将轴承测量信号输入到使用Adam算法优化的ISSAE网络中;网络对输入信号进行重构并自行学习,提取出了测量信号的内在特征。然后,将特征值输入到XGBoost模型中,通过网格搜索法调节参数,对故障诊断分类器模型进行了训练。最后,将轴承故障测试集输入到训练好的ISSAE-XGBoost模型中,完成了对故障类型的自动识别;采用多个实验平台的不同轴承实验数据,验证了该算法的有效性和适用性。研究结果表明:相比于SSAE-XGBoost和ISSAE-SVM算法,该方法对轴承故障识别率高、适用性强,在大样本数量情况下,识别率达到99%以上,即使在样本数量较少时,也具有较高的识别准确率;该算法通过在网络中改进损失函数,可使模型抑制微小扰动的干扰,对含有噪声的测量信号,仍能保持较高的故障诊断准确率。