《表1 行星齿轮箱太阳轮改进多尺度排列熵特征向量集》

  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

《基于敏感瞬态冲击特征提取与分层极限学习机的行星齿轮箱故障诊断研究》

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

为验证所提方法的有效性，以不同特征构建方法、不同识别模型的精度及计算时间为评判标准。首先，分别将表1中行星齿轮箱太阳轮5种状态下的特征向量随机选取40组作为训练样本，通过DAE-ELM算法的学习建立太阳轮的智能诊断模型，余下20组数据用来测试该模型的识别精度。运行结果如图14所示，图中横坐标表示太阳轮5种状态下测试样本的个数；纵坐标表示故障类型，1-“断齿”、2-“缺齿”、3-“裂纹”、4-“磨损”、5-“正常”，观察易知有1个“缺齿”样本被分在“裂纹”中，所建的DAE-ELM智能诊断模型总的分类精度达到了99%（99/100）。