《表2 4种状态辨识模型运行时间与分类精度的对比》

  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

《蝙蝠算法优化极限学习机的滚动轴承故障分类》

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

同时，为了进一步验证BA-ELM诊断模型对滚动轴承故障具有诊断率高的优势，利用上文的实验数据，分别采用BP神经网络、SVM和ELM算法等3种方法构建诊断模型，利用训练样本和测试样本分别进行训练和测试，3种诊断模型和BA-ELM模型的故障分类精度对比见表2。其中，BP隐含层节点个数S设为30；SVM人为选择惩罚系数C=2，核宽度系数g=0.2。从表2中很容易看出，虽然ELM模型的具有较高的诊断准确率为97.5%，120个测试样本有3个样本诊断错误，诊断准确率明显高于BP神经网络和SVM分类器，但是利用BA算法对ELM网络优化后的BA-ELM分类模型具有最高的诊断准确率，达到99.17%，120个测试样本仅有1个样本诊断错误，对轴承正常状态、内圈故障、滚动体故障的诊断准确率均达到100%，表明了基于BA-ELM滚动轴承故障诊断方法可以对滚动轴承的故障进行非常精确地诊断。