《表1 各方法下结果的正确率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《级联H桥逆变器的多特征融合CNN故障诊断》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

原始故障信号均为按照3.2.1节方法获取的三相电流偏差信号，分别以FFT频谱、3.2节所提时域特征和时频域作为特征提取方法，采用支持向量机（SVM）、BP神经网络（BPNN）两种常用的浅层学习分类器以及CNN深度学习模型实现故障分类。其中，FFT无需参数设置；VMD的参数设置情况：惩罚因子为200，模态分解个数为7；SVM选择高斯核，惩罚因子为0.25，核参数gamma为2；BPNN隐层神经元为100，激活函数采用sigmoid；CNN结构参数采用图10中双流CNN中通道1结构参数。各方法均运行10次，取10次训练集分类正确率平均值与测试集的诊断正确率平均值记录于表1所示。多特征融合CNN前采用实竖线的目的是表明该方法并不以第一列的单一特征作为输入，而是以多特征作为输入。加入FFT（频域特征），是因为文中采用的两种特征分别是时域与时频域特征，加入频域特征进行对比更具说服力。