《表6 不同模型对比实验结果》

  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

《卷积神经网络和峭度在轴承故障诊断中的应用》

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

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。