《表6 诊断结果：基于神经网络的齿轮箱故障诊断》
提示：宽带有限、当前游客访问压缩模式
诊断结果如表6所示，由表6可知，实际数据与理想数据误差很小，可以将3种故障识别；通过计算均方差可知，该网络具有很高的故障辨识度，达到了对齿轮箱故障诊断的要求。
| 图表编号 | XD00166637100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.04.01 |
| 作者 | 李瑞君、武利生 |
| 绘制单位 | 太原理工大学机械与运载工程学院、太原理工大学机械与运载工程学院 |
| 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6 两种算法性能比较：GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用》2021.03.15
- 《表6 故障齿轮分类结果：机械故障数值模拟驱动的生成式对抗网络及智能诊断原理》2021.03.20
- 《表2 CNN实验结果：基于1-DCNN的行星齿轮箱故障诊断》2020.11.15
- 《表1 采煤机故障统计表：基于神经网络的齿轮箱故障诊断》2020.04.01
- 《表4 故障分类表：基于神经网络的齿轮箱故障诊断》2020.04.01
- 《表5 检测样本：基于神经网络的齿轮箱故障诊断》2020.04.01
- 《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4 实验结果比较：基于MEEMD和KFCM的风机齿轮箱故障诊断》2020.09.20
- 《表3 测试样本统计结果：基于风电故障机组筛选的齿轮箱故障诊断研究》2019.09.15
- 《表2 训练样本统计结果：基于风电故障机组筛选的齿轮箱故障诊断研究》2019.09.15
- 《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1 齿轮诊断结果：基于BP神经网络的采煤机传动机构故障诊断系统研究》2019.08.31
- 《表3 测试集分类结果：基于一维卷积神经网络的齿轮箱故障诊断研究》2019.08.31
- 《表3 故障诊断结果：基于BP神经网络技术的采煤机齿轮箱早期故障诊断》2019.04.01
- 《表2 3种方法仿真结果：PSO优化BP神经网络齿轮箱故障诊断》2019.12.06