《表4 本文所提出的方法与SVM、BPNN性能比较 (%)》

  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

《基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法》

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

表4总结了基于同一数据集，使用本文所提出的方法、传统诊断方法SVM和BPNN，及文献[21]所提出的WDCNN所实现的行星齿轮箱状态监测结果。其中SVM使用高斯径向基函数（RBF）作为核函数，BPNN结构为2048-200-100-50-5，其激活函数为ReLU，WDCNN将原始数据作为模型输入。另外，为了消除偶然误差的影响，每种方法各进行了10次试验，将各类评估指标的平均值作为每次试验结果，10次试验结果的平均值作为该方法的分类诊断性能评估指标。可以看出，本文提出的基于EMD和DCNN的诊断方法明显优于SVM和BPNN两种传统诊断方法。而与目前先进的诊断方法WDCNN相比，本文提出的方法不仅识别各指标都达到了100%，优于WDCNN，而且诊断结果稳定，表现为多次试验得到的评估指标的标准差为0。原因在于经过EMD处理后提高了信号的信噪比，而且将峭度较大的有效IMF分量构造为DCNN的多通道输入，通过DCNN进行信息融合，自适应地得到各IMF分量对输出的权重。