《表2 多负载下不同故障类别的识别结果对比》

  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

《基于深度置信网络和信息融合技术的轴承故障诊断》

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

为了进一步评估本文方法对轴承故障的识别能力，将其与传统DBN故障诊断方法和文献[6]提出的TEO-DBN故障诊断方法进行对比，结果如表1和表2所示。由表1可见，与TEO-DBN方法相比，本文方法不需要任何特征提取过程，直接将振动时域信号作为DBN的输入，在单负载时的故障识别率更高。结合表1和表2可知，与未进行信息融合的传统DBN方法相比，本文方法不仅在单负载条件下故障识别率较高，而且针对更接近实际工况的多负载情况进行测试时获得高达98.08%的平均故障识别率，充分验证了该方法在轴承故障诊断中的有效性和精确性。