《表8 Tr Ada Boost的T1变工况迁移故障诊断细节》

  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

《谱质心迁移在变工况轴承故障诊断的应用》

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

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。