《表3 不同诊断模型的测试准确率》
为了验证所提出方法的优越性,分别以同样数据集绘制的短时傅里叶时频图和小波变换时频图为输入训练CNN网络,测试集测试结果如表3所示。可以看出,基于非线性调频分量分解时频图训练的CNN网络具有最高的测试准确率。这证明通过非线性调频分量分解方法所得到的时频图拥有更好的时频表达能力,基于卷积神经网络的故障模型能够较好地提取时频图中的特征,实现故障诊断。
图表编号 | XD00183544000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.01 |
作者 | 蒋龙陈、王红军、张顺利、左云波、陈晓 |
绘制单位 | 北京信息科技大学机电工程学院、北京信息科技大学高端装备制造智能感知与控制北京市国际科技合作基地、北京信息科技大学机电系统测控北京市重点实验室、北京信息科技大学机电工程学院、北京信息科技大学高端装备制造智能感知与控制北京市国际科技合作基地、北京信息科技大学机电系统测控北京市重点实验室、中国航发西安航空发动机集团有限公司设计所、北京信息科技大学机电工程学院、北京信息科技大学机电工程学院 |
更多格式 | 高清、无水印(增值服务) |