《表3 PHM数据集工况二对比检测结果》
本系列图表出处文件名:随高清版一同展现
《面向轴承早期故障检测的多尺度残差注意力深度领域适配模型》
为进一步验证本文方法的有效性,表3给出了本文方法与8种代表性的早期故障检测方法的实验结果。这8种方法中,LOF(Local Outlier Factor)[30]和i Forest[31]是两种典型的异常检测算法,其中LOF阈值为8,i Forest树的数目为100。SRD(Sparse Residual Distance)[32]是一种代表性的基于统计指标分析的故障检测方法。BEMD-AMMA(Bandwidth EMD with Adaptive Multiscale Morphology Analysis)[33]被认为是最新的一种基于信号分析的早期故障检测方法。DAFD(Domain Adaptation for Fault Diagnosis)[12]是一种代表性的基于自编码器实现深度领域适配的迁移诊断方法,其中自编码器的网络结构设为[500,100,50],即提取的深度特征维度为50。SDFM(Self-adaptive Deep Feature Matching)[6]是一种基于深度学习的异常序列匹配的早期故障在线检测方法,所采用的自动编码器结构是[800,512,50],即提取的深度特征维度为50,滑动窗口大小为100。迁移成分分析(Transfer Component Analysis,TCA)[34]和测地线流式核(Geodesic Flow Kernel,GFK)方法[35]是两种典型的迁移学习算法,这两种算法的输入为HHT边际谱,检测模型为SVDD。本文认为这八种方法可涵盖不同角度的对比。
图表编号 | XD00222686700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.10 |
作者 | 毛文涛、杨超、刘亚敏、田思雨 |
绘制单位 | 河南师范大学计算机与信息工程学院、智慧商务与物联网技术河南省工程实验室(河南师范大学)、河南师范大学计算机与信息工程学院、河南师范大学计算机与信息工程学院、河南师范大学计算机与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |