《表2 EEMD排列熵和EMD排列熵的准确率》
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排列熵与SVM的螺旋锥齿轮故障识别》
为了进一步说明CEEMDAN排列熵的优越性,用EEMD和EMD将上述3种状态螺旋锥齿轮振动信号进行分解,计算IMF1~IMF3,…,IMF1~IMF8的排列熵,并组成高维特征向量输入SVM进行识别,结果如表2所示。由表2可知,利用EEMD需要提取前7阶IMF排列熵才能正确识别3种状态螺旋锥齿轮,而在同样的特征提取方法下,CEEMDAN仅需提取前两阶IMF的排列熵。特征向量维数越高,SVM的训练与测试所需的时间越长,同样体现了CEEMDAN的优越性。
图表编号 | XD00215791000 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.01 |
作者 | 蒋玲莉、谭鸿创、李学军、雷家乐 |
绘制单位 | 湖南科技大学机械设备健康维护省重点实验室、佛山科学技术学院机电工程与自动化学院、湖南科技大学机械设备健康维护省重点实验室、湖南科技大学机械设备健康维护省重点实验室、佛山科学技术学院机电工程与自动化学院、湖南科技大学机械设备健康维护省重点实验室 |
更多格式 | 高清、无水印(增值服务) |