《表2 不同方法关于滚动轴承故障分类准确率比较》

  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S变换与深度学习相结合的滚动轴承故障诊断方法研究》

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

本文所用方法的神经网络模型为4层网络结构:5000-1000-100-9，前3层为一个SAE模型，结合最后一层整体构成了一个神经网络分类器。实验数据如上文所述，使用美国凯斯西储大学滚动轴承共9类故障数据，将数据经过S变换，得到二维特征矩阵，用二维特征矩阵作为神经网络的输入。每种故障分别提取80组数据，其中，60组作为训练数据，20组作为测试数据。经过实验选取最佳的网络参数，对故障的测试样本进行分类实验。为验证本方法相较于其他方法的优势，选取其他方法做对比实验，在相同条件下经过20次分类实验，得到本方法平均准确率为98.11%。表2所示为不同方法关于滚动轴承故障分类准确率比较。