关键词：Stacking模型;异质集成学习;故障诊断;旋转机械
摘 要：针对传统旋转机械故障诊断方法中单一机器学习模型出现的诊断精度低、泛化能力差且性能提升有限等问题，提出了通过Stacking框架异质集成多个机器学习模型对旋转机械进行故障诊断。首先利用小波包变换对旋转机械的原始振动信号进行特征提取；然后通过贝叶斯优化和网格搜索结合的方法调节各基学习器的超参数，采用DT、KNN、SVM及RF作为初级学习器，LR作为次级学习器构建Stacking异质集成学习模型；最后通过滚动轴承和液压泵故障模拟试验，将所提模型与单一模型、同质集成模型进行比较分析。试验结果表明，异质集成Stacking模型在不同旋转机械的故障诊断中均获得了最佳的整体诊断性能。异质集成是提高旋转机械故障诊断性能的有广阔应用前景的解决方案。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取