《表3 故障准确率对比结果》
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
《基于改进EEMD-AR和DBN的风机轴承故障诊断》
%
针对DBN作为轴承故障状态分类器是否优于一般浅层学习算法,具有能够从低阶特征中提取出高阶特征的优势,将文中所用的低阶特征结合反向传播神经网络(BPNN)和SVM进行轴承的故障识别。同时,为了验证文中所选特征数据的性能,提取振动信号的14个时域特征和3个频域特征构造特征向量,并利用BPNN,SVM,DBN进行故障诊断。实验结果如表3所示。
图表编号 | XD00184550300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.20 |
作者 | 韩欣宏、郑洋、吴定会 |
绘制单位 | 江南大学轻工过程先进控制教育部重点实验室、江南大学轻工过程先进控制教育部重点实验室、江南大学轻工过程先进控制教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |