《表2 不同方法的平均诊断结果》

  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

《压缩感知和改进深层小波网络在轴承故障诊断中的应用》

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

从表2和图8可知，与其他方法相比，本文方法的5次测试结果具有更高的诊断正确率和稳定性，平均测试正确率达到98.97%，标准差仅0.07。ANN为传统浅层学习模型，难以建立轴承各种故障工况与非线性、非平稳输入数据之间的映射关系，且极易陷入局部极小值，导致其诊断准确率低，仅70.54%；DBN由多个限制玻尔兹曼机叠加而成，能自动从数据中提取特征信息，具有比ANN更强的非线性映射能力，但DBN初始权值具有指向性从而使网络的特征提取失去全面性，且在微调阶段易陷入局部最优[22]，诊断正确率达到86.02%；研究[23]表明，DSAE在很多分类任务上的效果均优于DBN，但是DSAE隐层节点比输入节点多，无降维效果，而且对噪声异常敏感，其激活函数Sigmoid难以建立轴承工况与输入数据之间的精确映射关系，在微调阶段同样会产生梯度消失现象，其诊断正确率为90.03%；标准DWNN使用小波函数作为深层网络的激活函数，充分利用了小波函数时频局部化优势，特征提取和表示的性能优于DSAE，诊断正确率达到94.28%，但其小波编码器损失函数对噪声敏感，鲁棒性差，而且并没有缓解网络微调过程中出现的梯度消失现象；本文方法不仅利用了小波函数的优良特性，而且改进小波自编码器的损失函数，加入收缩项限制以增强特征提取的鲁棒性，改进参数更新策略以加速网络收敛，并在DWNN微调阶段加入“跨层”连接有效缓解了梯度消失现象，诊断正确率及稳定性均优于其他几种方法，验证了本文方法的优越性。图9给出了本文方法的第1次测试结果的多分类混淆矩阵，可知复合故障状态c的分类正确率较低。