《表3 不同特征诊断结果对比》

  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

《基于多特征融合与XGBoost的风机轴承故障诊断》

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

通过特征选择确定了轴承故障诊断的12个特征分别为频谱平均值、峰值、功率谱方差、波形指标、功率谱重心重心、功率谱熵、标准差、平均值、脉冲指标、^E4、绝对平均值、偏度指标。其中包含7个时域特征、4个频域特征以及1个时频特征。表3为忽略特征提取所消耗的时间，单独使用时域特征、频域特征、时频特征以及多特征融合四种方法采用XGBoost算法对轴承进行故障诊断的结果对比，从表中可以看出，使用多特征融合的准确率最高为99.86%，在单个样本上的测试时间比单独使用时域特征长0.003 s，比单独使用频域或时频域长0.004 s，时间差较小，几乎可以忽略不计。