《表3 误判率：基于Kmeans-DBSCAN融合聚类的轴承异常温升诊断模型》

  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

《基于Kmeans-DBSCAN融合聚类的轴承异常温升诊断模型》

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

选取小齿轮箱电机侧轴承、小齿轮箱电机侧轴承轴温数据200min，如图9、图10所示。其中3轴测点存在异常温升，现有阈值预警法在测点绝对温度超过环境温度80℃时报警，分别运用这里的判别方法，Kmeans，DBSCAN(K邻域方法确定邻域半径）采用同样的预警策略结果，如表2所示。提出的Kmeans-DB-SCAN融合判别方法与基于Kmeans的判别法对异常温升的判别准确率达100%，而DBSCAN由于参数选择不当判别准确率为77.6%，较绝对阈值预警法，这里方法预警时间提前57min。选取大齿轮箱车轮侧轴承温升正常数据200min片段、大齿轮电机侧温升正常数据200min片段分别应用三种方法对各时刻温度数据进行异常温升检测其误判率，如图11、图12及表3所示。Kmeans和DBSCAN最高误判率分别为12.5%和19%，提出方法误判率低至0.5%。基于Kmeans-DBSCAN融合聚类的轴温异常诊断模型相比DBSCAN、Kmeans这两类经典的聚类误判率显著降低。对轴承异常温升与正常温升数据检测，Intelcore i5-7200，2.5GHz，12GB内存，windows10操作系统环境下模型平均单次运行时间分别为：60ms。算法满足实时检测要求。