《表6 各层提取特征的类内距和类间距》

  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

《区分自编码网络及其在滚动轴承故障特征提取中的应用》

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

由于在变速情形下轴承会有振动波动大、冲击间隔不均匀、样本相位不一致以及噪声干扰等问题，本文选择将经过Teager能量算子解调并重采样后的阶次谱，输入到标准SAE和Sd-AE中进行自动特征提取。提取特征的网络结构与定转速数据集一致，如表1所示。将2种网络各层提取的特征通过t-SNE降为二维后进行可视化，如图11所示。从结果可以看出，随着网络的加深，同类样本逐渐聚集，说明网络的每一层都有特征提取能力，随着网络的加深，特征提取效果逐渐变好。对比标准SAE和Sd-AE提取的特征可以清晰看到，Sd-AE提取特征的区分度好于标准SAE提取的特征。同样，按照式（8) (9）定量计算降维后特征的类内距和类间距，结果如表6所示。从结果可以看出，Sd-AE提取特征的类内距比标准SAE提取得小，类间距比标准SAE提取得大。单独对比Sd-AE各层提取特征的类内距和类间距可以发现，随着网络的加深，类内距逐渐减小而类间距逐渐增大，再一次说明了随着网络的加深，Sd-AE提取效果逐渐变好的特性。