《表3 不同方法的故障诊断准确率》
为进一步验证本研究方法的诊断性能,选择BPNN+EMD,SVM+EMD和Lenet-5进行对比分析。为了避免实验结果的偶然性,对10次实验结果求取平均值。由于BPNN和SVM属于浅层的分类器,很难依靠自身解决复杂的非线性问题,故笔者从采用EMD算法分解的本征模态函数集(intrinsic mode functions,简称IMFs)中,根据相关系数的大小,选取4个最敏感的IMFs,并分别计算出便于滚动轴承故障诊断的特征,包括7个时域特征和16个频域特征[23],共计92个特征,将其分别与BPNN和SVM结合,实现对不同负荷下滚动轴承的故障诊断。另外,根据多次实验的效果可知:当BPNN的网络结构为92-200-12、学习率为0.000 01、迭代次数为30 000时诊断效果最佳;SVM选择92输入12输出的一对多分类方式,因SVM在小样本训练时的训练性能更佳,且在实验中发现将各训练样本的样本数目依次选为42,42,21,27时诊断效果最佳;Lenet-5的弃权值为0.5,学习率为0.001,3层卷积层的卷积核大小均为5×5,各层卷积核个数分别为32,64和128,池化区宽度为2×2,池化移动步长为2,全连接层的神经元数目分别为6 272和1 024,批尺寸为64,此时的实验效果最佳。为了进一步保证对比实验结果的权威性,Lenet-5也采用小批量训练的训练方式,训练批数同样为3 125。基于4种方法对变负荷下的滚动轴承故障诊断准确率如表3所示。
图表编号 | XD00178457000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.01 |
作者 | 赵小强、张青青 |
绘制单位 | 兰州理工大学电气工程与信息工程学院、甘肃省工业过程先进控制重点实验室、兰州理工大学国家级电气与控制工程实验教学中心、兰州理工大学电气工程与信息工程学院、甘肃省工业过程先进控制重点实验室 |
更多格式 | 高清、无水印(增值服务) |