《表5 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。