《表2 对比方法：基于VMD-CNN的水电机组故障诊断》

  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VMD-CNN的水电机组故障诊断》

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

为减小偶然因素，每一代训练结果取10次试验的平均值。采用表2中各种方法得到的测试集故障识别结果见图6。由图6可知：（1）方法1、2、3、4的故障识别正确率均高于方法5，说明CNN提取出的信号特征相比于信号IMF的复杂度向量更具有区分度；（2）采用时间图作为CNN的输入比用信号波形图作为输入的故障识别正确率高，原因可能在于本文构建的CNN层数较少，而波形图比时间图的特征更加复杂，因此同样深度的CNN对波形图的识别正确率较低；（3）方法2、3、4的故障识别正确率分别在第8、6、7代达到100%，说明对信号进行VMD分解得到的IMF更能突出信号的特征信息，使CNN的运算效率更高；（4）从方法结果来看，方法2、3、4的故障识别效果很接近，但方法2直接用信号的时间图作为输入可能受到噪声干扰，将噪声的特征作为信号的特征进行处理；从选取IMF的过程来说，EEMD需考量的因素更多，更复杂，且由于EEMD在分解过程中加入了白噪声，容易产生重构偏差，故难以保证稳定的识别效果。而VMD则能够有效解决噪声问题，且在最大程度上避免模态混叠问题，保证信号分解完整有效。