《表5 不同方法的诊断准确率》
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
《数据失衡下基于WGAN和GAPCNN的轴承故障诊断研究》
为进一步验证本文WGAN+GAPCNN故障诊断的可行性,分别选取两类机器学习算法(RF[16]、EM_SVM[17])和一类深度学习算法(CA_SAE[18])进行对比实验分析。RF主要从原始的振动信号中采取时域统计指标并将其作为特征向量,利用随机森林(random forest)对故障进行分类诊断。EMD_SVM是通过EEMD分解来提取本征模态排列熵作为故障特征,随后使用SVM进行分类识别。CA_SAE利用含有大量故障信息的压缩感知域采集信号训练深度神经网络(稀疏自编码),近而实现故障特征的自动提取与健康诊断。实验中分别采用上述四种方法对数据集A、D、B进行故障分类诊断,为保证实验变量的唯一性,测试集仍为数据集C。表5为各类诊断诊断方法在不同数据集下的分类准确率,为了更加形象地观察结果,将其画为直方图,如图15所示。
图表编号 | XD00189240100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.05 |
作者 | 薛振泽、满君丰、彭成、邓河 |
绘制单位 | 湖南工业大学计算机学院、湖南工业大学计算机学院、湖南工业大学计算机学院、中南大学自动化学院、长沙民政职业技术学院 |
更多格式 | 高清、无水印(增值服务) |