《表2 深度神经网络测试结果Tab.2 Test results of deep neural network》
采用深度神经网络对所获取到的故障数据进行特征提取,然后进行分类定位。其中,堆栈自编码部分每层自编码单元的节点数一直没有固定的选取方法,采用规则选取法,即后一层的节点数为前一层节点数的一半。基于输入数据为1 000维,目标输出数据为13维,因此输入节点数为1 000,输出节点数为13,各隐含节点数设定为500,250,125,60,30。并且每层自编码单元得最大迭代次数为100。本文采用SOFTMAX分类器作为有监督学习模块对堆栈自编码进行系统微调,从而提高整个系统准确性。基于神经网络测试训练的随机性,本文进行了多次测试训练得到测试结果并与FFT-BP算法、WPT-BP算法[11]测试结果进行了对比,其中FFT-BP方法是通过FFT提取原始数据信号的基波、3次谐波、5次谐波、7次谐波的幅值和相角作为特征向量。WPT-BP是通过小波包分解算法对原始数据进行三层小波包分解提取特征向量,最终得到的8维特征向量作为BP神经网络得输入,故障编码作为输出进行训练及定位。表2为深度神经网络故障预测输出与期望输出对比,表3为准确率与标准差对比。
图表编号 | XD0029703800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.25 |
作者 | 徐继伟、宋保业、公茂法 |
绘制单位 | 山东科技大学电气与自动化工程学院、山东科技大学电气与自动化工程学院、山东科技大学电气与自动化工程学院 |
更多格式 | 高清、无水印(增值服务) |
查看“表2 深度神经网络测试结果Tab.2 Test results of deep neural network”的人还看了
- 表2 神经网络机器翻译架构对比实验结果Tab.2 Comparative experiments of neural network machine translation architectures