《表2 不同工况状态间的可分性参数》

  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

《基于小波和深度小波自编码器的轴承故障诊断》

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

经提升双树复小波包分解得到的各子频带的样本熵、排列熵和能量矩特征包含了丰富的故障信息，本文将由样本熵、排列熵和能量矩组成的归一化特征向量作为DWAE的输入。输入节点数为16×8×3=384（16个子频带，8个传感器，3个特征）。以工况b、c和d为例，通过类内类间距离判据表征故障间的可区分性指标F，F值越大表示该类故障的可区分性越好，F的详细计算见文献[22]。作为对比，从信号中提取出峰峰值、峭度等时域统计指标，指标的详细计算见文献[23]；并从递归图中提取递归率、递归熵等非线性RQA特征，从而定量描述信号的动态特性，RQA的详细计算见文献[24]。F的计算值见表2所示，由表2可知，相比时域分析方法和RQA特征，本文中所提取的特征提高了轴承不同故障间的可分性。然而原始特征向量维数较高，特征冗余度大，为了更有效地提取分类准确度高的故障特征，需要利用DWAE对原始特征向量进行二次特征提取，并自动识别故障。