《表1 故障程度判定规则：基于深度学习的齿轮箱故障模糊诊断方法》
提示：宽带有限、当前游客访问压缩模式
由经验给出故障程度判定规则（表1）。
| 图表编号 | XD00135464100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.04.20 |
| 作者 | 牛冲、王灵梅、陈立明、孟恩隆 |
| 绘制单位 | 山西大学山西省风电机组监测与诊断工程技术研究中心、山西大学山西省风电机组监测与诊断工程技术研究中心、阿尔斯特大学、山西大学山西省风电机组监测与诊断工程技术研究中心 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 模型对比：基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究》2020.10.15
- 《表2 最优参数：基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究》2020.10.15
- 《表1 主要参数：基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究》2020.10.15
- 《表2 故障分类表：基于广义深度学习的含DG配网故障诊断方法》2020.11.25
- 《表2 网络参数：基于深度一维残差卷积自编码网络的齿轮箱故障诊断》2020.04.05
- 《表1 数据描述：基于深度一维残差卷积自编码网络的齿轮箱故障诊断》2020.04.05
- 《表1 数据描述：基于深度一维残差卷积自编码网络的齿轮箱故障诊断》2020.04.05
- 《表1 根源故障：基于深度学习的网络故障诊断》2020.05.12
- 《表1 网络结构参数：基于深度度量学习的电机故障诊断》2020.07.18
- 《表2 行星齿轮箱参数：基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法》2019.06.01
- 《表1 模型结构参数：基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法》2019.06.01
- 《表4 实验结果：基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法》2019.06.01
- 《表4 故障诊断测试集：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 变压器故障特征量：基于模糊关联规则挖掘的电力变压器故障诊断方法》2019.08.16
- 《表1 故障严重性级别：基于深度学习LSTM的空调故障诊断》2019.06.01
- 《表2 初始参数：基于深度学习LSTM的空调故障诊断》2019.06.01
- 《表1 试验参数设置表：基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法》2019.04.05
- 《表2 系统推理规则：基于模糊Petri网的用电信息采集系统故障诊断方法》2019.07.10
- 《表1 模糊规则：基于专家知识和模糊推理的大科学装置故障诊断方法》2019.02.25
- 《表3 故障诊断结果：基于深度学习与信息融合的燃气轮机故障诊断》2019.12.08