协同训练算法在滚动轴承故障诊断中的应用

• 作者: 林意 王得雪 陈俊杰
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 协同训练 集成学习 故障诊断 置信度
• 年，卷（期）: 2020,（12）
• 所属期刊栏目: 工程与应用
• 页码范围: 273-278
• 页数: 6页
• 分类号: TP39|TH133.3
• 字数: 4831字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1904-0256

摘要

针对单个分类器方法在滚动轴承故障诊断中精度较低、故障样本标记稀缺、特征空间维度高等问题,提出一种将协同训练与集成学习相结合的Co-Forest轴承故障诊断算法.Co-Forest是半监督学习中的协同训练算法,包含多个基分类器,通过投票实现协同训练中的置信度估算.从滚动轴承的振动信号中提取时域、频域特征指标.利用少量带标签和大量未标记样本重复地训练基分类器.集成基分类器,实现对滚动轴承故障的诊断.实验结果表明,与同类型的协同训练算法(Co-Training、Tri-Training)相比,Co-Forest算法在轴承故障诊断中具有更高的正确率,与当前针对特征向量高维、标记样本稀缺问题的ISS-LPP算法,SS-LLTSA算法相比,Co-Forest算法在保持很高诊断正确率的情况下,不需要降维、参数设置简单,具有一定的实际应用价值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	林意	江南大学数字媒体学院	68	260	8.0	12.0
3	王得雪	江南大学数字媒体学院	1	0	0.0	0.0
9	陈俊杰		1	0	0.0	0.0