《表1 不同类型识别结果》
采用SVM对提取低维特征进行分类识别,作为比较,同样采用SVM对未约简的特征、经PCA约简特征、经LPP约简的特征以及经OLPP约简的特征进行识别。在训练SVM时,SVM的核函数选用径向基核函数(RBF),惩罚参数C=1,核参数g=1,测试样本的识别结果如表1所示,其中None代表未采用维数约简方法。从表1可知,特征约简后的识别结果明显高于约简前,这表明提取的高维多域混合特征集中有干扰的特征存在,影响了识别效果,这也验证了进行降维的重要性。由于PCA属于线性的维数约简方法,对具有非线性特点的轴承故障特征并不太适用,故识别率不如另外3种非线性的维数约简方法。OLPP的投影矩阵正交,能真实反映故障数据本质流形结构,故其识别结果要比LPP要好。而SOLPP即保证了投影矩阵正交,还利用了样本的类别信息,可以有效地将不同故障状态的样本进行分离,使得维数约简的识别结果达到了最高的100%。
图表编号 | XD0016990200 严禁用于非法目的 |
---|---|
绘制时间 | 2018.06.01 |
作者 | 郑国强、汪玉、高博、王志国、陈凯、张楠、孙辉 |
绘制单位 | 国网安徽省电力有限公司电力科学研究院、国网安徽省电力有限公司电力科学研究院、国网安徽省电力有限公司电力科学研究院、清华大学电机工程与应用电子技术系、燕山大学电气工程学院、北京中恒博瑞数字电力科技有限公司、国网安徽省电力有限公司电力科学研究院 |
更多格式 | 高清、无水印(增值服务) |