《表1 1 时域和频域特征提取方法》
为验证本文提出的方法相比当前主流智能诊断方法的优越性,本文将改进的CNN诊断结果与目前主流的SVM、BP神经网络(BPNN)、KNN和深层的BP神经网络(DBPN)进行对比验证。在传统的智能故障诊断方法中通常先对原始数据集进行手工特征提取,再将提取的特征输入智能诊断算法完成分类预测[8,21]。文献[2]采用了14种方法对原始数据进行特征提取前处理,包含10种时域特征提取方法和4种频域特征提取方法,如表11所示。本文按照表11所示的14种特征提取算子对表1所示的12类轴承状态数据进行特征提取,然后再将提取的特征分别用于SVM、BP神经网络和KNN算法进行故障诊断,实验的结果如表12所示,图11为5种算法准确率柱状比较图。
图表编号 | XD00178467200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.01 |
作者 | 宫文峰、陈辉、张泽辉、张美玲、管聪、王鑫 |
绘制单位 | 武汉理工大学能源与动力工程学院高性能舰船技术教育部重点实验室、桂林电子科技大学北海校区、武汉理工大学能源与动力工程学院高性能舰船技术教育部重点实验室、武汉理工大学能源与动力工程学院高性能舰船技术教育部重点实验室、桂林电子科技大学北海校区、武汉理工大学能源与动力工程学院高性能舰船技术教育部重点实验室、桂林电子科技大学北海校区 |
更多格式 | 高清、无水印(增值服务) |