基于小樣本下改進(jìn)ChaosNet的軸承故障診斷

摘要： 為解決在訓(xùn)練樣本不足條件下，軸承故障特征提取困難的問題，提出一種基于改進(jìn)神經(jīng)混沌學(xué)習(xí)(neurochaos learning+AdaBoost, NL-AdaBoost)的軸承故障診斷新方法。首先，對時域振動信號進(jìn)行快速傅里葉變換(fast fourier transform, FFT)提取頻域特征，拼接時頻域信號獲得一維特征樣本；其次，輸入信號產(chǎn)生對混沌GLS神經(jīng)元的激勵，形... （共5頁）