《表2 振动信号识别结果 (%)》

  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

《独立自适应学习率优化深度信念网络在轴承故障诊断中的应用研究》

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

试验结果如表2所示，可以看到，对于不同载荷工况下的振动信号，NM-based ADDBN都很好地识别轴承的故障状态，十次试验结果都为100%。为了更好地说明提出方法的有效性，使用与试验所用NM-based ADDBN结构相同的标准深度信念网络（Standard DBN）以及支持向量机（SVM）对试验数据进行故障识别。试验结果也示于图8中，可以看到，标准DBN对0 kN载荷工况下的信号识别较好，平均识别率为99.93%，而对于3 kN载荷工况下的信号，标准DBN的识别精度不能保证，平均测试精度为91.05%。对于SVM，两种载荷工况下的振动信号的测试精度整体偏低，不能很好地识别出轴承健康状态，其中更高载荷工况的信号取得了更差的精度。