《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》
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%。
图表编号 | XD0071025600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.01 |
作者 | 万齐杨、熊邦书、李新民、孙伟、廖峰 |
绘制单位 | 南昌航空大学图像处理与模式识别省重点实验室、南昌航空大学图像处理与模式识别省重点实验室、中国直升机设计研究所直升机旋翼动力学重点实验室、中国直升机设计研究所直升机旋翼动力学重点实验室、中航工业洪都飞机设计研究所 |
更多格式 | 高清、无水印(增值服务) |