《表4 CEEMDAN分解信号排列熵 (训练样本) Table 4 Permutation entropy of the CEEMDAN decomposed signals (training sa

  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排列熵和LS-SVM的滚动轴承状态分类》

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

表6给出了基于CEEMDAN分解信号排列熵的LS-SVM轴承状态分类结果.从表6中可以看出，4种状态轴承共80个测试样本中，与基于原始振动信号排列熵的LS-SVM轴承状态分类效果相比，基于CEEMDAN分解信号排列熵的LS-SVM轴承状态分类效果要好很多，其总的分类准确率高达98.75%，由此表明了基于CEEMDAN分解信号排列熵的LS-SVM轴承状态分类方法的优越性.图3为基于CEEMDAN分解信号排列熵的LS-SVM轴承状态分类图.从图中可以清晰看出4种不同状态的滚动轴承被完全区分开来，由此也进一步验证了基于CEEMDAN分解信号排列熵的LS-SVM分类方法用于滚动轴承状态分类的有效性和实用性.