《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》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。