《表2 基于KNN、SVM的滚动轴承整体识别准确率》
进一步地,将上述实验数据应用于SVM多分类模型中。采用libsvm工具包,选择RBF核函数,通过网格查找法获得隐变量的核函数最优参数,用于训练与测试。从表2中KNN和SVM滚动轴承整体识别结果可以看出,KNN整体识别准确率略高于SVM,基于GP-LVM所提取的隐变量使得两种识别方法的准确率均高于PCA、LE和Isomap方法。从而表明,KNN有着良好故障识别能力;同时,GP-LVM很好提取了高维空间的本质信息,区分出不同的状态类别,明显地提高状态类别准确率。
图表编号 | XD00217778300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.18 |
作者 | 尹爱军、石波、谭建、李海珠 |
绘制单位 | 重庆大学机械传动国家重点实验室机械工程学院、重庆大学机械传动国家重点实验室机械工程学院、中国石油西南油气田分公司重庆气矿、重庆大学机械传动国家重点实验室机械工程学院 |
更多格式 | 高清、无水印(增值服务) |