基于多分支CNN与改进级联森林的故障诊断

摘要

在故障诊断领域，卷积神经网络(CNN)、深度森林等深度学习模型因表现优异而备受关注。然而，单分支卷积神经网络提取的故障特征有限；深度森林的多粒度扫描针对不同的数据集需要重新设计和调整参数。本文提出了一种多分支CNN与改进的级联森林相结合的混合深度学习模型，首先设计了具有不同卷积核大小的多分支CNN,可以并行提取多样特征，适应复杂任务需求。其次，由于极端梯度提升比随机森林更能处理非线性数据，将级联森林中的一个随机森林替换为极端梯度提升。同时，这种部分替换结合了不同算法的优势，优化了模型的整体性能。最后，将多分支CNN与改进的级联森林相结合，构建了一个混合深度学习模型。在3个轴承数据集和1个转子数据集上进行了实验，结果表明，所提出的模型在故障诊断中表现出很强的有效性。

关键词

故障诊断 / 卷积神经网络 / 级联森林 / 极端梯度提升