《表4 实验结果：基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法》

  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

《基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法》

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

为了验证本文提出的模型的性能，基于相同的数据集情况下，与目前已提出的AlexNet[15]、GoogLeNet[16]、ResNet[6]深度学习方法进行了对比。为了降低偶然因素的影响，在划分训练集和测试集时，进行10次随机划分，使用每一组数据进行独立训练和测试，分别记录实验结果。将10次实验的结果作为对比验证的性能评估指标，具体结果如图8所示，平均准确率和标准差如表4所示。其中，AlexNet模型准确率较差，仅达到92.32%，原因是该模型简单地将多个卷积层进行堆叠，难以有效提取复杂的数据特征。GoogLeNet模型在每一卷积层中增加了不同大小的卷积核，具有一定的频率特征提取能力，准确率相比AlexNet提高了1.34%。ResNet在GoogLeNet基础上增加了残差结构，实现各卷积层的跨层连接，其准确率比GoogLeNet提高1.33%。但是由于以上模型都是用单一的网络结构进行特征提取，都无法全面地利用信号所包含的信息，因此整体准确率偏低。本文提出的方法可以充分融合信号中的时频特征，并且嵌入注意力机制进行动态加权，平均测试准确率达到97.23%，并且在每一次测试中，其准确率都明显高于其他深度学习模型。以上结果表明，本文提出的基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法相比于其他几种深度学习故障诊断方法具有明显优势。