《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》

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

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。