基于组稀疏学习与AVOA-XGBoost的轴承故障分级诊断

来源：振动与冲击杂志2024年第18期北京时间：

作者：张吉祥，张孟健，王德光，杨明

单位：1. 贵州大学电气工程学院，贵阳550025；2. 华南理工大学计算机科学与工程学院，广州510006

摘要：针对工业设备中轴承振动信号在噪声环境下故障分级诊断准确率低的问题，提出一种基于组稀疏学习与非洲秃鹫优化算法优化极端梯度提升树(African vultures optimization algorithm-extreme gradient boosting, AVOA-XGBoost)的轴承故障分级诊断方法。首先，利用组稀疏学习对轴承振动信号进行重构，以降低噪声水平并更有效地表征故障脉冲。然后，对重构后的信号提取时域、频域和熵值特征并构建特征集。最后，利用AVOA自适应优化XGBoost超参数以建立稳健的XGBoost模型，进而高效实现轴承故障分级诊断。实验结果表明，经过组稀疏学习重构的信号具备更强故障特征表示能力，相较于传统机器学习模型，采用AVOA-XGBoost模型进行分类能够取得更高准确率，所提方法能够有效诊断轴承故障类型及故障程度。<br>

关键词：轴承故障诊断；组稀疏学习；特征提取；非洲秃鹫优化算法；XGBoost