《表1 样本特征序列：基于VMD-PE和M-RVM的滚动轴承故障诊断》
提示：宽带有限、当前游客访问压缩模式
将上述分量的PE值组成4维特征序列，描述不同状态下的特征，样本数据PE特征序列如表1所示。
| 图表编号 | XD00135204700 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.03.01 |
| 作者 | 李然、朱希安、王占刚 |
| 绘制单位 | 北京信息科技大学信息与通信工程学院、北京信息科技大学信息与通信工程学院、北京信息科技大学信息与通信工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 峭度和相关系数：基于MEEMD样本熵与BAS-BP的轴承故障诊断》2020.10.01
- 《表1 轴承的4种工况：基于MEEMD样本熵与BAS-BP的轴承故障诊断》2020.10.01
- 《表5 故障诊断结果3：基于PCA-LMD的滚动轴承信号混合特征选取与故障诊断》2020.10.01
- 《表4 故障诊断结果2：基于PCA-LMD的滚动轴承信号混合特征选取与故障诊断》2020.10.01
- 《表3 故障诊断结果1：基于PCA-LMD的滚动轴承信号混合特征选取与故障诊断》2020.10.01
- 《表2 不同算法结果对比：基于熵特征和堆叠稀疏自编码器的滚动轴承故障诊断方法》2020.10.25
- 《表1 部分特征计算公式：基于熵特征和堆叠稀疏自编码器的滚动轴承故障诊断方法》2020.10.25
- 《表2 状态输出对应关系：基于GA-ENN特征选择和参数优化的双馈风电机组轴承故障诊断》2021.01.28
- 《表1 变压器故障类型：基于信息融合和M-RVM的变压器故障诊断方法》2020.12.10
- 《表1 滚动轴承参数：采用多通道样本和深度卷积神经网络的轴承故障诊断方法》2020.08.10
- 《表1 轴箱轴承参数：基于BI-LSTM的小样本滚动轴承故障诊断方法研究》2020.08.18
- 《表1 部分数据样本：基于小波包分解和K最近邻算法的轴承故障诊断方法》2020.02.01
- 《表2 故障诊断识别结果：基于VMD-PE和M-RVM的滚动轴承故障诊断》2020.03.01
- 《表1 特征提取部分数据：基于小波包-AR谱和深度学习的轴承故障诊断研究》2019.06.01
- 《表1 轴承故障特征值表：基于KICA-GDA和LSSVM的齿轮箱轴承故障诊断》2019.02.18
- 《表1 部分训练样本：基于MEA优化BP神经网络的农机滚动轴承故障诊断》2019.03.01
- 《表1 样本数据描述：基于无损约束降噪稀疏自编码的滚动轴承故障诊断技术》2019.02.08
- 《表1 实验样本信息表：基于卷积神经网络的滚动轴承故障诊断算法》2019.04.25
- 《表2 特征值向量：基于CEEMD-SVD和ELM的滚动轴承故障诊断》2018.10.10
- 《表2 特征值矩阵：基于EMD和VPMCD的滚动轴承故障诊断》2019.11.30