《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》
(%)
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。
图表编号 | XD0057366400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.01 |
作者 | 刘雷、许洁、王艳、邢海军 |
绘制单位 | 河北轨道运输职业技术学院铁道车辆系、河北轨道运输职业技术学院铁道车辆系、河北轨道运输职业技术学院铁道车辆系、石家庄铁道大学机械学院 |
更多格式 | 高清、无水印(增值服务) |