《表2 KTA-KELM、KELM及ELM 3种状态辨识模型分类精度对比》
同理,从特征向量集Q中随机4种状态中20组数据作为训练样本,分别通过KELM算法和ELM算法的学习来建立滚动轴承的状态辨识模型;余下10组数据来测试KELM、ELM模型的分类精度,结果如图5、图6所示。从图5基于KELM的滚动轴承分类结果中可知,总的分类精度达到95%(38/40),“2”中有1个样本被错分到“4”中,准确率仅为90%,“3”中有1个样本被错分到“2”中,准确率仅为90%。同样,从图6基于ELM的滚动轴承分类结果中可知,总的分类精度是92.5%(37/40),其中,“2”中有2个样本被分别错分在“1”和“4”中,准确率为80%,“3”中也有1个样本被错分到其他组中,准确率均为90%。KTA-KELM、KELM及ELM三种滚动轴承状态辨识模型分类精度对比具体结果如表2所示,易知,KTA-KELM分类精度最高,达到100%,比KELM和ELM的分类精度分别高出5%和7.5%,表明KTA-KELM在状态识别分类中能精准实现故障特征分类。
图表编号 | XD0067878000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.15 |
作者 | 王卓、赵文军、马涛、李志俊、秦波 |
绘制单位 | 内蒙古第一机械集团公司工艺研究所、特种车辆及其传动系统智能制造国家重点实验室、内蒙古第一机械集团公司工艺研究所、特种车辆及其传动系统智能制造国家重点实验室、内蒙古第一机械集团公司工艺研究所、特种车辆及其传动系统智能制造国家重点实验室、内蒙古第一机械集团公司工艺研究所、特种车辆及其传动系统智能制造国家重点实验室、内蒙古科技大学机械工程学院 |
更多格式 | 高清、无水印(增值服务) |