《表1 4种不同故障的聚类中心》
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CEEMDAN多尺度排列熵的轴承故障智能识别Fisher-GG聚类方法》
由上述分析最后得出200×3的特征向量,由于有4种状态,聚类中心设定为4个,加权指数M=2,迭代终止容差ε=0.000 1,输入到GG聚类中得到的二维聚类结果如图7所示。故障类别的区分通过聚类中心最大贴近度原则进行区分,由GG聚类得到4个聚类中心,然后再拿出其中一个外圈故障样本进行测试,得到的聚类中心和4个聚类中心中一个最接近或者相同,说明是外圈故障,其他3种故障以此类推,分别得到4种故障类型。N、O、I、B分别代表正常、外圈故障、内圈故障、滚动体故障的聚类中心,它们的聚类中心坐标值见表1。三维聚类结果如图8所示。
图表编号 | XD00202760600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.18 |
作者 | 熊国良、甄灿壮、张龙、徐天鹏 |
绘制单位 | 华东交通大学机电与车辆工程学院、华东交通大学机电与车辆工程学院、华东交通大学机电与车辆工程学院、华东交通大学机电与车辆工程学院 |
更多格式 | 高清、无水印(增值服务) |