《表2 4种状态辨识模型运行时间与分类精度的对比》
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。
图表编号 | XD0053830400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.25 |
作者 | 覃爱淞、吕运容、张清华、胡勤、孙国玺 |
绘制单位 | 广东石油化工学院广东省石化装备故障诊断重点实验室、广东省石油化工装备工程技术研究中心、广东石油化工学院广东省石化装备故障诊断重点实验室、广东石油化工学院广东省石化装备故障诊断重点实验室、广东石油化工学院广东省石化装备故障诊断重点实验室、广东石油化工学院广东省石化装备故障诊断重点实验室 |
更多格式 | 高清、无水印(增值服务) |