10.13465/j.cnki.jvs.2019.15.005
改进TrAdaBoost多分类算法的滚动轴承故障诊断
实际工程中滚动轴承受工况、运行环境等因素影响,获取的数据不易满足传统机器学习中训练数据和测试数据独立同分布且训练样本足够多的条件,直接影响故障诊断率.为此,提出一种改进TrAdaBoost多分类算法的滚动轴承故障诊断方法.引入大量辅助标记数据和少量目标标记数据组成联合训练集使训练样本足够多,并应用异分布加权随机抽样对TrAdaBoost迭代过程中的联合训练集进行重组,获得与测试集“近似同分布”的优化联合训练集,降低不同分布数据间的差异性.其次,将迭代结束后的内部分类器模型作为输出,从而改变TrAdaBoost的输出机制使其适应多分类任务.最后,为削弱随机抽样对诊断结果的影响,对多次抽样得到的结果进行一致性投票以得到最终诊断结果.实验结果证明了所提方法的可行性与有效性.
滚动轴承、故障诊断、加权随机抽样、TrAdaBoost
38
TH133.33;TH165+.3;TP18
国家自然科学基金51305471;机械传动国家重点实验室开放基金项目SKLMT-KFKT-201710;重庆市留学人员回国创业创新支持计划创新项目CX2018116;重庆市技术创新与应用示范项目cstc2018jscx-msybX0012;城市轨道交通车辆系统集成与控制重庆市重点实验室开放基金CKLURTSIC-KFKT-201809;交通工程应用机器人重庆市工程实验室开放基金CELTEAR-KFKT-201803;重庆市教育委员会科学技术研究资助项目KJ1500516;重庆交通大学硕士研究生科研创新项目2018S0138
2019-08-27（万方平台首次上网日期，不代表论文的发表时间）
共7页
36-41,48
