深度梯度下降森林模型在轴承故障诊断中的应用

针对现有基于深度学习的轴承故障诊断方法不适于小样本数据且超参数过多、计算开销大的问题,提出一种基于深度梯度下降森林模型(DSGDF)的轴承故障诊断方法。在凯斯西储大学轴承数据集上对该模型的性能进行验证,结果表明,DSGDF模型平均诊断正确率达99%以上。DSGDF模型较经典深度森林模型的收敛速度更快,较其他基于神经网络的深度学习模型计算开销更小。