《表1 SAML方法5次实验的最优和平均分类精度》

  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

《自适应流形学习在故障诊断中的应用》

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

%

遗传算法GA用来寻找支持向量机SVM最优参数，其中设置种群大小为20，最大迭代次数为200，SVM的惩罚函数C和核函数ε的搜索范围都设置为0到500，每个故障条件下选取100个数据集，其中20个为训练集用于训练GA-SVM，80个为测试集。分别进行5次实验，取不同故障条件下的最优值和5次实验的平均值。使用GA-SVM在不同故障条件下滚动轴承故障诊断的分类精度如表1所示。分析表1可知故障类型识别和轴承退化程度识别精度最优都可达100%，平均识别精度达到99%以上，从而证明了该方法的可靠性。另外，多次实验取平均值发现，无论是轻微故障，还是严重故障，平均分类精度均可以达到99%以上，这也说明了本文提出的方法具有较好的灵敏性。实验结果表明，本文方法一方面能够准确地识别出不同的故障类型；另一方面对轴承退化程度也有较好的诊断能力。