《表7 故障转子分类结果：机械故障数值模拟驱动的生成式对抗网络及智能诊断原理》

  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

《机械故障数值模拟驱动的生成式对抗网络及智能诊断原理》

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

按以上样本处理方式，在G1和G2中，训练样本和测试样本（待测试故障）分别为40×9和40×3.而对于G3和G4，在相对完备故障样本的基础上分别都增加4个过采样样本和4个生成故障样本，则训练样本和测试样本（待测试故障）分别为160×9和40×3（保持不变），如表7所示.本实验选择的是CNN、堆栈自编码器（SAE），主要参数:CNN，模型包括三个卷积层（8-16-32）、三个下采样层（尺度为2），一个全连接层（512个神经元）批大小、训练次数和卷积核大小分别为40，200和3；SAE，模型结构500-200-100-80-9，即输入层尺寸为250×1、第1～3隐藏层的神经元分别为200，100和80，批大小和学习率分别为40和0.5，预训练与微调训练次数分别为200和500.表7中列出了AI模型诊断结果.由表7可知，在FM7，FM8和FM9的三种缺失故障情况下，G4的平均准确率最高，均达到100%，比G3高4.17%、5.42%与2.5%.其他结论与轴承与齿轮诊断类似.