《表2 三种方法分类效果对比》

  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

《基于改进果蝇算法优化WKELM的医疗滚动轴承故障诊断技术研究》

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

将图8～10的信息汇总归纳到表2，观察表2中的数据对比结果得出，在进行对同一个数据进行处理时，采用LGMS-FOA-WKELM这种方法得到的结果，其平均分类精度可以达到100%，但是利用F0A-ELM这种方法，其平均分类精度只能达到75%，采用FOA-WKELM方法时平均分类精度为87.5%，两种方法的平均分类精度均低于LGMS-FOA-WKELM方法的平均分类精度，因而LGMS-FOA-WKELM方法明显优于其余两者。同时，由于利用VMD和SVD进行的特征提取相应的只能够得到4个相关的特征向量，并且VMD对噪声的抗干扰能力很强，就可以省去对噪声进行处理这一步，这样训练的时间也会相应缩短很多。因此，通过本文阐述的LGMS-FOA-WKELM方法用于滚动轴承对故障进行诊断，表明效果是最好的。