《表3 不同分类器的性能数据》

  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

《基于深度CNN和ELM的滚动轴承故障诊断研究》

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

为了凸显本文在分类识别阶段所用ELM分类器的优势，分别计算了softmax分类器、支持向量机SVM分类器在平均诊断精度、训练时间、测试时间的具体数据，为避免实验结果的偶然性，每种算法均重复进行10次取平均值，结果如表3所示。由表3可知，本文在分类识别阶段使用的ELM分类器在平均诊断精度方面高于SVM分类器，在训练时间上明显低于SVM分类器和Softmax分类器，这是因为ELM算法在训练迭代过程中需要调整的参数量少，从而缩短了计算时间。因此，综上所述，本文所提方法可以有效的识别故障类别并可以达到实时性的识别要求。