《表5 KTA-KELM、KELM及ELM 3种状态辨识模型分类精度对比》
同理,从上述特征向量集T中随机4种状态中40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20组数据来测试KELM、ELM模型的分类精度,结果如图10、图11所示。从图10基于KELM的滚动轴承分类结果中可知,总的分类精度达到92.5%(74/80),“1”中有1个样本被错分到“2”中,准确率仅为95%,“2”、“3”中分别有2个样本被错分到“4”中,准确率仅为90%,“4”中有1个样本被错分到“3”中,准确率仅为95%。同样,从图11基于ELM的滚动轴承分类结果中可知,总的分类精度是90%(72/80),其中,“2”中有1个样本被错分在“3”中,准确率为95%,“3”、“4”中分别有6个样本和1个样本被错分到其他组中,准确率分别为70%和95%。KTA-KELM、KELM及ELM 3种滚动轴承状态辨识模型分类精度对比具体结果如表5所示,易知,KTA-KELM分类精度最高达到了98.75%,比KELM和ELM的分类精度分别高出6.25%和8.75%,表明KTA-KELM在状态识别分类中能准确地实现故障特征分类。
图表编号 | XD0067878100 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) |