基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究
张荣涛1
陈志高2
李彬彬1
焦斌1
1.上海电机学院电气学院,上海2013062.中核检修有限公司海盐分公司,海盐314300
摘要：针对齿轮箱的复合故障诊断问题,将深度卷积神经网络(Deep Convolutional Neural Network,DCNN)与XGBoost(eXtreme Gradient Boosting)算法相结合,建立故障诊断模型.首先,利用深度卷积神经网络自适应提取原始振动加速度信号的特征矩阵.其次,将所得到的特征矩阵作为输入数据,运用网格调参法对XGBoost算法进行参数调整,得到XGBoost模型.最后,作为训练数据训练XGBoost模型,得到DCNN-XGBoost齿轮箱故障诊断模型.为了验证该模型的有效性和XGBoost算法的优越性,与DCNN-BP神经网络、DCNN-随机森林和DCNN-支持向量机三种模型作对比分析,并且对DCNN所得特征矩阵和人工提取的特征矩阵进行t-SNE可视化降维分析.结果 表明,DCNN获得的特征矩阵可视化的效果优于人工提取的特征矩阵,并且随机森林的稳定性不如XGBoost算法,和BP神经网络相比,XGBoost算法在防止过拟合方面有一定的优势,SVM与DCNN的结合有其局限性,最后DCNN-XGBoost模型的诊断正确率和时间优于其他模型.
关键词：齿轮箱故障诊断卷积神经网络XGBoost
分类号：TH212(起重机械与运输机械)TH213.3(起重机械与运输机械)
资助基金：上海市科学技术委员会科研项目(17DZ1201200)
论文发表日期：2020-10-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：8( 1059-1066 )
英文信息