《表6 不同模型对比实验结果》
为了比较本文所提分类模型Ku-CNN(Kuconvolutional neural networks)与目前主流智能故障诊断算法的分类结果,选择具有代表性的BP(back propagation)神经网络和支持向量机(support vector machine,SVM)对样本进行识别分类。其中,BP神经网络采用时域特征参数包括峰值因子、脉冲因子、裕度因子、波形因子、峭度因子和偏度作为输入,含3个隐含层,每层含50个神经元。SVM方法也采用上述的时域特征参数作为输入,结合交叉验证方法,随机选择样本中75%的数据为训练数据,余下25%的样本数据为测试样本,对比结果如表6所示。BP神经网络利用特征样本进行训练后,识别率为81.20%,未正确识别样本累积总数为18个,使用常规SVM轴承故障诊断方法,经过不断的尝试,凭经验选取较合适的参数后识别率能够达到95.80%,但是仍然低于本文所提的卷积神经网络模型分类结果。
图表编号 | XD00105663800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.01 |
作者 | 李俊、刘永葆、余又红 |
绘制单位 | 海军工程大学动力工程学院、海军工程大学动力工程学院、海军工程大学动力工程学院 |
更多格式 | 高清、无水印(增值服务) |