《表2 基于CNN与多通道声学信号的齿轮故障诊断结果》
利用卷积神经网络融合以对数域梅尔频谱及其一阶导数为特征的四通道特征矩阵。网络以交叉熵为损失函数,在训练集上通过Adam优化算法对参数进行优化,缩小预测值与真实值的差值,并利用验证集调整学习率,批处理数量等超参数。经调整后学习率设置为0.003,批处理数量设为50。最后以测试集上的识别率作为该模型的评价指标。在包含4种齿轮状态的1 200个1 s音频片段的测试集上,利用卷积网络融合多传感器信息的识别结果如表2所示。
图表编号 | XD00111702300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.10.31 |
作者 | 李少波、姚勇、桂桂、李想、胡建军 |
绘制单位 | 贵州大学机械工程学院、贵州大学机械工程学院、中国测试技术研究院、贵州大学机械工程学院、南卡罗莱纳大学 |
更多格式 | 高清、无水印(增值服务) |