《表4 平均测试准确率:多共振分量融合CNN的行星齿轮箱故障诊断》
%
为验证提出方法的有效性,首先将MRCF-CNN模型与传统的浅层机器学习方法进行了对比。从振动信号中提取时域特征并分别作为k最近邻(k-Nearest Neighbor,简称kNN)、支持向量机(support vector machines,简称SVMs)和浅层神经网络(shallow neuron networks,简称SNN)的输入,所得到的平均测试准确率如表4所示。可以看出,所提出的MRCF-CNN的平均测试准确率相较于kNN,SVMs和SNN分别提高了7.77%,13.23%和16.77%,验证了MRCF-CNN的有效性。
图表编号 | XD00178457700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.01 |
作者 | 汤宝平、熊学嫣、赵明航、谭骞 |
绘制单位 | 重庆大学机械传动国家重点实验室、重庆大学机械传动国家重点实验室、重庆大学机械传动国家重点实验室、重庆大学机械传动国家重点实验室 |
更多格式 | 高清、无水印(增值服务) |