基于卷积神经网络与CatBoost的轴承故障诊断算法

使用一般诊断算法对滚动轴承进行故障排查时,需要对数据进行特征提取,而在其特征提取过程中存在数据量庞大、手动提取和选择受限的问题,为此,提出了一种基于卷积神经网络(CNN)与CatBoost的混合分类模型(方法),以进行轴承的故障诊断。首先,将预处理后的数据经过CNN提取的特征作为输入量,输入到该模型中,提取了训练后输出的模型参数;然后,使用CatBoost方法对滚动轴承数据集进行了分析,进一步研究了不同学习模型在同一数据集下对分类精度的影响;最后,通过降低过拟合的风险,运用4种相关系数指标进行了对比实验,研究了CNN-CatBoost混合分类模型对滚动轴承故障数据的分类效果。研究结果表明:基于CNN与CatBoost方法进行轴承故障诊断的平均准确率达到98%以上,该方法的有效性得到了验证;采用少量的数据训练样本即可达到较好的轴承故障数据分类效果,与单一深度学习模型和一些典型机器学习模型相比,该模型具有更好的性能。