《表3 PHM数据集工况二对比检测结果》

  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

《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》

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。