《表3 采用各方法降噪后的故障诊断正确率》

  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

《分层自适应小波阈值轴承故障信号降噪方法》

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

轴承故障信号降噪是故障诊断的预处理，其最终目标是使故障特征更加明显，提升故障诊断的正确性，因此也可以通过正确率来判断改进算法的优劣性。能量可以反映时间序列的复杂度，能够作为故障特征指标，为了减小特征提取带来的实验误差，因此仅将小波分解的各层能量作为分类器的特征向量。验证实验选择最小二乘支持向量机（LSSVM）作为分类器，其中，核函数为高斯核函数（RBF）。实验的故障类型分别是外圈故障、内圈故障和滚珠故障。每种故障分别选取100组振动信号，各组振动信号中包含4000个采样点，20组信号作为分类器的训练样本，剩余80组信号作为分类器的测试样本。对振动信号分别采用硬、软阈值、文献[8-10]和本文提出方法降噪，并将降噪后的小波能量作为特征向量输入到LSSVM中进行模式识别，最终可得到各方法的故障诊断正确率，如表3所示。