《表1 本文方法测试分类精度》
%
最后,将正常状态和其他3种故障状态轴承分别取30个样本,合计120个样本。对每个样本提取MMPE熵值,建立原始特征集。将所提取的特征集使用马氏距离算法进行排序,最能表征不同轴承故障状态的特征向量排在前面,评估后最前面的5组熵值被用来重新组建智能故障诊断的新向量,其中,任意15个样本用来训练分类模型,剩余15个样本进行识别测试。经过遗传算法优化的SVM分类器(核函数为径向基函数)进行训练、测试,最终得到的故障分类结果见表1。
图表编号 | XD00124300800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.15 |
作者 | 李永健、宋浩、刘吉华、张卫华、熊庆 |
绘制单位 | 五邑大学轨道交通学院、西华大学汽车测控与安全四川省重点实验室、五邑大学轨道交通学院、五邑大学轨道交通学院、西南交通大学牵引动力国家重点实验室、西华大学汽车测控与安全四川省重点实验室、西华大学汽车与交通学院 |
更多格式 | 高清、无水印(增值服务) |