《表5 不同方法对测试数据集A、B、C、D的识别准确率》

  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

《基于改进型深度网络数据融合的滚动轴承故障识别》

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。