《表2 实验样本组成：一种用于故障分类与预测的多任务特征共享神经网络》

  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

《一种用于故障分类与预测的多任务特征共享神经网络》

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

为确保有足够的样本量来训练网络，本文由原始信号中截取一定长度的数据段来构成单个训练样本。同时，为保留样本间的时间连续性，相邻2个样本首尾重合。综合考虑样本长度和样本量对实验结果的影响，选取每个样本的长度为2 048个点，相邻2个样本的首尾重合率为25%。具体数据集构成和样本数量如表2所示。每个样本即为定长的加速度时域振动信号，其时域波形如图4所示。图4（a）和（b）为同工况下故障尺寸为0.177 8 mm的内圈和滚珠故障样本，图4（c）和（d）为同工况下故障尺寸为0.533 4 mm的内圈和滚珠故障样本。对比（a）和（b）或（c）和（d）可知，在相同故障程度下，不同故障模式的原始时域信号的波形幅值和包络均有较大的差异；对比（a）和（c）或（b）和（d）可知，在相同故障模式下，不同故障程度的原始时域信号的波形幅值和包络也存在明显差异，故障程度增大时，振动信号的振幅也明显增加。多任务特征共享神经网络可从大量原始时域信号中学习深层特征和不同任务间的共享知识，从而实现故障类型分类和故障尺寸预测。