论文部分内容阅读
针对传统Boosting算法在训练样本不均衡数据情况下不能较好地实现转子系统故障诊断的问题，提出了一种基于代价敏感度框架的Boosting故障诊断算法CS—Boosting。该算法建立了一个代价敏感损失函数，通过先验概率公式计算正样本与负样本的惩罚因子，并通过决策规则的训练使代价损失函数最小化。将该算法应用到滚动轴承故障诊断中，并与传统的Adaboost算法进行对比。试验结果表明，在转子系统不能获取更多故障数据的情况下，该算法的故障诊断性能较其他算法有明显的提高。