《表1 支持向量机的故障诊断结果》

  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MLILPP维数约简的轨道交通牵引电机轴承故障诊断》

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

（%）

在此基础上，本文采用SVM对未约减的特征、经PCA、LPP和MLILPP等3种方法约减所得低维特征进行诊断。实验中，SVM选用RBF核函数，相关参数选用默认值。表1所示为诊断结果，其中“None”表示特征未约减。从表1“None”列结果可知，构造的高维故障特征集的平均识别率为84.52%，这说明所提特征基本上可以对轴承的6种状态进行表征，但无论是单个状态的识别率还是平均识别率，均明显比特征约减后的结果要低，这说明所提高维特征中有部分特征是干扰特征，会对SVM的诊断造成影响。在3种降维的诊断精度中，MLILPP得到了最高的98.81%，LPP次之，为94.76%，PCA最低，为89.30%。由于高维故障特征集往往具有非线性的特点，因此属性线性降维方法的PCA并不能有效地提取出非线性流形结构，所获得的低维特征并不是最优的；LPP由于无法利用样本的类别信息，不能根据样本类别信息对数据局部结构进行调整，进而会受到异类相似样本的干扰，影响维数约减效果；而MLILPP融合类别信息构建了相似矩阵和差异性矩阵，对于数据局部流形结构的保持起到了很好的作用，可以有效的将轴承的不同故障状态进行分离，提高了低维特征对轴承不同故障状态的识别能力。