《表3 51 005组样本机器学习测试结果Tab.3 Machine learning testing result of51 005 group samples》

  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

《基于小波神经网络与KNN机器学习算法的六相永磁同步电机故障态势感知方法》

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

通过表2中输出平均值可以发现正常和故障工况均只存在极小的误差，测试的样本均可被神经网络正确判断工况，通过方差可以发现系统的偏差程度极小，在进行故障感知时具有很强的稳定性。在故障识别方面，针对不同的故障类型，在转矩100 N/m～200 N/m和转速100 rad/s～200 rad/s范围内改变参数值，构造样本各10 201组，在目标集中，令单相开路故障输出为2，两相开路相差30°、90°、120°、150°故障输出分别为3，4，5，6。Scikit-Learn库是python中一个优秀的机器学习库，具有高效的数据挖掘和数据分析能力，利用Scikit-Learn库中决策树、KNN、逻辑回归和SVM向量机的线性分类器算法对故障进行分类，取样本中80%作为学习集，20%作为测试集。因为在测试所有样本对应输出都被检测，因此系统精确率与回归率相等，在此用精确率表示。输出结果如表3所示。