《表5 不同方法对测试数据集A、B、C、D的识别准确率》
为进一步验证本文搭建模型的轴承诊断效果,将其与如下几种基于传统机器学习分类的轴承诊断方法进行对比:1) 文献[12]提出的采用EEMD(ensemble EMD)分解提取本征模态排列熵作故障特征,使用SVM进行分类识别;2) 文献[3]提出的组合波形因子、裕度因子等8种时频域特征构造8维特征向量,使用SVM进行分类识别;3) 文献[13]提出的使用小波分解提取相对小波能量作为特征向量,使用BP神经网络进行分类识别。以上述方法搭建模型,得到各测试集的准确率如表5所示,可以看到,在平衡数据集A、B、C上几种方法均可取得较高的准确率,而在不平衡的混合测试集D上本文提出的改进型的卷积神经网络有着明显的优势。如果直接使用卷积神经网络模型对数据集进行训练与检测,不做任何算法模型的改进,其识别准确率相当低。主要是因为传统的卷积网络对振动信号适应力不强,无法准确地进行故障分类。因此,本节只对本文改进的算法与传统的几种成熟技术进行对比。
图表编号 | XD0030840100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.02.01 |
作者 | 冯新扬、张巧荣、李庆勇 |
绘制单位 | 河南财经政法大学计算机与信息工程学院、河南财经政法大学计算机与信息工程学院、河南财经政法大学计算机与信息工程学院、山东大学青岛校区公共(创新)实验教学中心、山东大学信息科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |