《表4 5种诊断模型测试结果》

  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

《改进灰狼优化模糊核聚类在风电齿轮箱故障诊断中的应用》

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

从表3中可以看出，对3种已知信号进行分类诊断时，LGWO-KFCM和基于有监督学习的BP神经网络都具有较高的诊断正确率；而对未知故障信号（缺齿）进行诊断时，BP神经网络将其分类在正常类别中，不符合实际，导致整体诊断正确率下降。分析其原因在于，BP神经网络只记忆了训练过程中的故障标签，对于无标签测试数据不具备诊断功能。而LGWO-KFCM能够将无标签缺齿数据分在第4类，区别于已知故障类别。且通过与GWO-KFCM、GA-KFCM方法诊断正确率对比，LGWO-KFCM诊断的平均正确率98%，为最高，进一步表明改进型灰狼优化算法相较于传统灰狼算法及其他智能算法具有更好的优化能力，基于此优化结果得到的故障诊断正确率更高。结合表3和表4可以看出，直接利用KFCM诊断测试集的平均正确率只有81%，这是由于受到初始聚类中心和核参数选取的影响，在对已知故障分类时出现较多错误分类。但是，KFCM对于与已知故障波形、冲击周期、振幅差异较大的缺齿故障的识别正确率能高达100%，验证了基于无监督学习的诊断模型可以弥补有监督学习模型无法识别未知故障的不足，有利于开展风电机组故障诊断的实际应用。