《表2 不同方法的平均诊断结果》
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》
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。
图表编号 | XD00163750200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.15 |
作者 | 杜小磊、陈志刚、张楠、许旭 |
绘制单位 | 北京建筑大学机电与车辆工程学院、北京市建筑安全监测工程技术研究中心、北京建筑大学机电与车辆工程学院、北京市建筑安全监测工程技术研究中心、北京建筑大学机电与车辆工程学院、北京建筑大学机电与车辆工程学院、北京市建筑安全监测工程技术研究中心 |
更多格式 | 高清、无水印(增值服务) |