《表5 不同算法的实验结果》
为了验证稠密卷积轴承故障诊断网络在分类性能上的优越性。实验中选取传统的反向传播神经网络(BPNN)、支持向量机(SVM)、深度自编码网络(DAE)以及卷积神经网络(CNN)进行了性能对比研究,其结果如表5所示。每一种对比方法的具体参数设置如下:(1)BPNN:以原始数据作为输入,含有3个隐层,每个隐层神经元个数依次为128、64、32。(2)SVM:以原始振动数据输入,采用径向基核函数,惩罚因子为9,核函数半径为0.008。(3)DAE:输入原始数据,经过三个浅层自编码的堆叠提取隐层特征输入到softmax分类器里分类,其中三个浅层自编码网络的隐层神经元个数分别为800、400、100。(4)CNN1:使用一维卷积,以原始振动数据作为输入,网络结构为1 200-c1(400)-s1(2)-c2(200)-s2(2)-100-10。(5)CNN2:采用文献[14]中CNN网络结构,将原始数据转换成本文的特征图(大小为40×30)作为输入,各参数的设置与文献[14]实验中的设置类似。
图表编号 | XD00160996100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.18 |
作者 | 徐文学、夏懿、张德祥 |
绘制单位 | 安徽大学电气工程与自动化学院、安徽大学电气工程与自动化学院、安徽大学电气工程与自动化学院 |
更多格式 | 高清、无水印(增值服务) |