张 钰，陈 珺，王晓峰，刘 飞

（1.轻工过程先进控制教育部重点实验室，江南大学 自动化研究所，江苏 无锡 214122；2.西门子中国研究院，北京 100000）

Xgboost在滚动轴承故障诊断中的应用

张 钰1，陈 珺1，王晓峰2，刘 飞1

（1.轻工过程先进控制教育部重点实验室，江南大学 自动化研究所，江苏 无锡 214122；2.西门子中国研究院，北京 100000）

针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题，提出一种基于分类与回归树的Xgboost(eXtreme Gradient Boosting)轴承故障诊断算法。Xgboost是包含多个分类器的集成学习方法。通过Xgboost的“提升”思想来提高滚动轴承故障诊断的精度。首先，从滚动轴承的振动信号中提取时域特征参数；然后利用Xgboost算法对滚动轴承故障进行诊断。将SQI-MFS实验平台的轴承振动数据，与传统分类器（支持向量机、邻近算法和人工神经网络）以及单个分类回归树的诊断结果相比，结果表明Xgboost在轴承故障诊断率上优于上述几种算法，且计算时间比传统提升决策树算法短。

振动与波；滚动轴承；故障诊断；支持向量机；Xgboost

据统计，在工业生产中，采用滚动轴承的旋转机械设备中有30%的故障都是由滚动轴承的故障所引起的。旋转机械设备故障往往会导致严重的经济损失和安全事故。因此，滚动轴承的故障诊断有重大的研究价值[1]。

滚动轴承的故障诊断主要包括特征提取和状态识别。通常从轴承的振动信号中提取特征参数，其中常见的特征向量有均方根值、峭度值等。数据处理手段包括小波变换、快速傅里叶变换和经验模态分解。……