《表6 机组A8故障诊断结果》
提示：宽带有限、当前游客访问压缩模式
同理对其余故障进行诊断，结果如表6所示。从表6可看到，在辨识框架内，通过对不同警报信号的融合，本文提出的方法均能准确诊断出故障类型。
| 图表编号 | XD00124832900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.12.28 |
| 作者 | 叶春霖、邱颖宁、冯延晖 |
| 绘制单位 | 南京理工大学能源与动力工程学院、南京理工大学能源与动力工程学院、南京理工大学能源与动力工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 故障诊断数据：水电机组故障诊断中不同算法的对比》2020.10.30
- 《表5 故障诊断结果：基于特征选择和XGBoost的风电机组故障诊断》2021.03.20
- 《表1 风电机组各关键部件常用的故障诊断与预测方法》2021.02.25
- 《表2 水电机组故障数据：基于综合差异挖掘的水电机组仿生智能故障诊断》2020.12.15
- 《表1 参数设置：基于综合差异挖掘的水电机组仿生智能故障诊断》2020.12.15
- 《表2 水轮机组故障诊断结果》2020.03.25
- 《表1 可诊断的故障类型：基于长短期记忆网络的空调机组故障诊断与风险评估》2020.07.10
- 《表1 振动监测结果：舰船中压发电机组振动监测与故障诊断》2020.03.15
- 《表6 测试样本特征值：基于广义S变换和QPSO-SVM的水电机组振动故障诊断方法》2020.02.20
- 《表7 机组A1～A8验证结果》2019.12.28
- 《表2 风电机组A8维修记录》2019.12.28
- 《表2 数据诊断结果：基于支持向量机的汽轮机组故障诊断》2019.10.30
- 《表4 故障2诊断结果：基于改进深度森林算法的风电机组故障诊断技术研究》2019.11.20
- 《表3 故障1诊断结果：基于改进深度森林算法的风电机组故障诊断技术研究》2019.11.20
- 《表3 故障数据样本：基于机器学习的污水源热泵机组故障诊断模型研究》2019.09.25
- 《表2 故障矩阵表：基于机器学习的污水源热泵机组故障诊断模型研究》2019.09.25
- 《表3 测试样本统计结果：基于风电故障机组筛选的齿轮箱故障诊断研究》2019.09.15
- 《表2 训练样本统计结果：基于风电故障机组筛选的齿轮箱故障诊断研究》2019.09.15
- 《表2 分类器的比较结果：应用深度自编码网络和XGBoost的风电机组发电机故障诊断》2019.01.10
- 《表6 拖拉机悬挂旋耕机作业机组综合故障诊断与排除考核要点》2018.08.20