《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》
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。
图表编号 | XD0079812000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.07.18 |
作者 | 时培明、苏冠华、殷晓迪 |
绘制单位 | 燕山大学电气工程学院、燕山大学电气工程学院、燕山大学电气工程学院 |
更多格式 | 高清、无水印(增值服务) |