《表2 KTA-KELM、KELM及ELM 3种状态辨识模型分类精度对比》

  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

《KTA-KELM在滚动轴承故障诊断中的应用》

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

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。