《表2 10次实验结果：基于多噪声数据训练CNN的自动倾斜器滚动轴承故障诊断》

  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

《基于多噪声数据训练CNN的自动倾斜器滚动轴承故障诊断》

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

其次，利用不同噪声下的时频图训练CNN。将整个样本集80%作为训练集，20%作为测试集，对网络进行训练。最后，测试CNN的诊断效果。实验结果如图8、图9所示，图8为平均诊断正确率随迭代次数变化曲线，图9为不同噪声环境下诊断正确率。从图8中可以看出，随着迭代次数的增加，网络趋于平稳，此时本文方法的平均诊断正确率比传统CNN大约高20%。从图9中可以看出，随着噪声的增加，2种方法的诊断效果都逐渐降低，但本文方法仍优于传统CNN。为了增加实验的说服力，分别重复进行10次实验，实验结果如表2所示，从表中可以看出，在信噪比（Signal Noise Ratio，SNR）大于0的环境下，两种方法识别效果相差不大，但在SNR小于0的高噪声环境下，本文方法诊断正确率比传统CNN高36.18%。