《表2 不同迁移条件下滚动轴承故障诊断精度(单位:%)》
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
《基于无监督迁移成分分析和深度信念网络的轴承故障诊断方法》
首先根据不同工况数据集的迁移诊断任务进行故障诊断分析。UTCA算法参数初始设置:核宽度为[10-3,10-2,10-1,1,10,102]的高斯径向基核函数,正则化参数μ为[10-3,10-2,10-1,1,10,102,103]。选择使UTCA模型的目标函数取得最小值时的核宽度和μ为最优参数组合,并以UTCA模型输出数据集作为DBN源域样本集(训练数据集)和目标域样本集(测试样本集)的输入。DBN结构参数的选取:采用经典的4层结构,两个隐层节点数分别为100、100,学习率ζ=10-4,正则化参数λ=10-4。为减小随机初始化的训练参数对本文方法诊断结果的影响,重复验证20次,不同迁移条件下的故障识别准确率如表2所示,表中还列出了没有进行数据迁移而直接根据源域样本数据,分别采用支持向量机(SVM)、BP神经网络(BPNN)和普通DBN方法对目标域样本进行故障识别的准确率。
图表编号 | XD00113091000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.01 |
作者 | 谭俊杰、杨先勇、徐增丙、王志刚 |
绘制单位 | 武汉科技大学冶金装备及其控制教育部重点实验室、武汉科技大学机械自动化学院、中国舰船研究设计中心、武汉科技大学冶金装备及其控制教育部重点实验室、武汉科技大学机械自动化学院、武汉科技大学冶金装备及其控制教育部重点实验室、武汉科技大学机械自动化学院 |
更多格式 | 高清、无水印(增值服务) |