基于IBO-CNN的轴承故障智能诊断

摘要

针对现有的贝叶斯优化算法计算复杂、寻优效率较低问题，提出了一种改进的贝叶斯优化算法(IBO:Improved Bayesian Optimization)。首先，对蒙特卡洛马尔科夫链(MCMC:Monte Carlo Markov Chains)算法进行改进，使用高斯代理函数改进建议函数，同时在先验函数中加入超先验，简化了高斯超参数优化计算的复杂度，提高了计算效率。其次，提出了在卷积神经网络(CNN:Convolutional Neural Network)超参数优化过程中将损失函数与数据集大小进行高斯建模，使模型能自适应选择优化超参数所用的数据集大小，从而可在使用较少数据集的情况下寻找到使损失函数最小的超参数组合。使用Branin-Hoo函数对改进的贝叶斯优化算法进行测试，证明了IBO算法能在最短的时间内找到最优值。使用IBO-CNN对PU(University of Paderborn)数据集进行故障诊断，并与其他超参数优化算法进行对比，结果证明IBO算法能更快速找到损失函数最小值，使训练过程快速收敛，诊断精度高于其他算法0.5%～3%左右，并在不同工况下的数据集上都表现出良好的故障诊断性能，证明了该算法比其他优化算法具有更高的计算效率。

关键词

贝叶斯优化 / CNN超参数 / 轴承故障诊断 / 蒙特卡洛马尔科夫链(MCMC)