基于组合预测模型的小样本轴承故障分类诊断

摘要：

滚动轴承是旋转机械内常出现问题的重要部件,其故障情况复杂且难以诊断.基于小样本故障数据学习环境,针对小样本学习在提取真实特征值与目标特征值时有较大差异且泛化能力较弱的问题,提出一种采用半监督变分自编码器与LightGBM分类模型相结合的小样本学习模型LSVAE,并利用基于高斯过程的贝叶斯优化改进算法对LightGBM的超参数进行了优化处理,有效地解决了小样本学习性能不稳定,提取特征能力弱,过拟合等问题,并在凯斯西储大学发布的轴承实验数据集上进行了对比实验,结果表明LSVAE模型在面向小样本数据空间时有着更优的诊断准确率.

关键词：滚动轴承;故障诊断;变分自编码器;半监督学习;LightGBM;小样本数据

所属期刊栏目：43

分类号：TP181(自动化基础理论)

资助基金：国家重点研发计划;国家自然科学基金;湖南省教育厅科技重点项目;湖南省自然科学基金

在线出版日期：2021-09-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1684-1691