《表2 基于CNN与多通道声学信号的齿轮故障诊断结果》

  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

《基于CNN与多通道声学信号的齿轮故障诊断》

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

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。