《表8 Tr Ada Boost的T1变工况迁移故障诊断细节》
为进一步比较现有迁移模型(TrAdaBoost算法)和所提模型的性能,针对目标工况T1,表8所示为前者在相同条件下的诊断细节,对比表5可以得到如下结论,1)就诊断性能而言,虽然所提方法与现有模型在总体精度上相近(仅提升0.54%),但就不同类别(C1~C5)而言,现有模型的每类单独分类精度取决于已知标签目标样本的质量,试验中设定C2类别已知标签目标样本质量较高(即接近总体训练集特性),C3类别已知标签目标样本质量较低(即远离总体训练集特性),最终C2类别具有较高单独分类精度(98.17%),C3具有较低单独分类精度(91.47%),因此具有人为选择性,而所提模型虽然对内外磨损故障比较敏感,更适用于单故障诊断,诊断组合故障性能较弱,但其单独分类精度取决于故障类型本身,无人为选择性;2)就模型实用性而言,现有模型利用部分已知标签的目标数据,故实用性不及所提方法。
图表编号 | XD0097361000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.01 |
作者 | 沈飞、陈超、徐佳文、严如强 |
绘制单位 | 东南大学仪器科学与工程学院、东南大学仪器科学与工程学院、东南大学仪器科学与工程学院、东南大学仪器科学与工程学院、西安交通大学机械工程学院 |
更多格式 | 高清、无水印(增值服务) |