《表1 轴承故障数据：深度学习融合模型在机械故障诊断中的应用》

  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

《深度学习融合模型在机械故障诊断中的应用》

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

振动信号通常包含大量的信息，因此，基于振动信号的状态监测技术已被广泛应用。凯斯西储大学（CWRU）轴承数据中心以12kHz采样频率从电机驱动机械系统的加速度计获得的轴承状态数据集有以下4种故障类型：正常、球故障、内圈故障和外圈故障，每种故障类型分别包含0.177 8，0.355 6和0.533 4mm这3种故障直径，共有10个故障条件。将采集的振动信号以相等的窗口长度划分，每个样本包含1 024个数据点，数据集A，B和C分别包含不同负载下的70个训练样本和30个测试样本，数据集D包含所有3个负载的210个训练样本和90个测试样本。将这些时域振动信号的频谱直接作为特征向量来表示轴承的故障类型，数据集的每个样本都包含512个样本点。表1描述了所有数据集的细节，其中：RF，IF和OF分别代表滚珠、轴承内圈和外圈故障；RF1～RF3代表不同的故障深度。