《表3 正交试验结果：基于IPSO-FNN的风电齿轮箱故障诊断方法》
提示：宽带有限、当前游客访问压缩模式
为了更直观地说明本文采用的IPSO算法的有效性，将测试样本输入到训练好的网络中，测试样本如表2所示。结果对比如表3所示。
| 图表编号 | XD00184567000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2021.01.20 |
| 作者 | 白瑞飞、张伟、赵豆豆 |
| 绘制单位 | 河南理工大学电气工程与自动化学院、河南理工大学电气工程与自动化学院、河南理工大学电气工程与自动化学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表5 故障诊断结果：基于特征选择和XGBoost的风电机组故障诊断》2021.03.20
- 《表3 3 DDHH参数：基于1-DCNN的行星齿轮箱故障诊断》2020.11.15
- 《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2 模型评估指标对比：基于改进随机森林算法的风电机组齿轮箱故障预警方法研究》2020.12.01
- 《表2 材性试验结果：基于IPSO-FNN的风电齿轮箱故障诊断方法》2021.01.20
- 《表1 材料力学参数：基于IPSO-FNN的风电齿轮箱故障诊断方法》2021.01.20
- 《表6 诊断结果：基于神经网络的齿轮箱故障诊断》2020.04.01
- 《表3 基于LGWO-KFCM、KFCM、BP的风电齿轮箱故障诊断结果》2020.06.15
- 《表1 测试结果：改进灰狼优化模糊核聚类在风电齿轮箱故障诊断中的应用》2020.06.15
- 《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 风电机组齿轮箱的故障表现及应对措施》2020.01.06
- 《表4 故障2诊断结果：基于改进深度森林算法的风电机组故障诊断技术研究》2019.11.20
- 《表3 故障1诊断结果：基于改进深度森林算法的风电机组故障诊断技术研究》2019.11.20
- 《表3 正交试验结果：基于正交试验的准双曲面齿轮研磨参数优化研究》2019.11.15
- 《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