《表3 三种SVM的滚动轴承故障模式识别正确率》

  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

《利用GS优化SM-SVM的滚动轴承故障诊断方法研究》

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

取滚动轴承正常（Nor）、内圈故障（Inn）、滚动体故障（Bal）和外圈故障（Out）四种状态的样本（特征向量）各30个，共120个。其中，训练集Tr100个样本；测试集Te20个样本。SVM的输入样本参数及故障标签，如表2所示。三种SVM的滚动轴承故障模式识别正确率，Atr、Ate、Aal分别是训练集、测试集和总集（测试集和训练集）的模式识别正确率，其中，Aal是总集用于训练后的测试模式识别正确率，如表3所示。从表3可以看出，经过GS优化SM-SVM的滚动轴承故障模式识别正确率从训练集、测试集或者总集来说，均高于未进行参数优化的SM-SVM，前者的平均分类正确率比后者高出3.8%，分类结果，如图5所示。从图5可以看出，滚动轴承的正常状态（1）、内圈故障（2）和滚动体故障（3）均被完全正确地识别归类，而滚动轴承外圈（4）故障的两个样本被误分至内圈故障。这可能是因为滚动轴承内外圈故障类似，提取特征量的大小也接近，从而导致GS SM-SVM类别误分。可以寻找对滚动轴承故障更为敏感的特征以进一步提高滚动轴承的故障模式识别正确率。