《表2 SVM识别测试结果》

  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

《电机与负载轴承耦合故障的谱峭度诊断方法》

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

将上述4种状态的振动信号各20组共80组数据，进行小波分解，得到5个细节信号，并计算每个细节信号的信号能量，如图8所示。将其作为故障特征向量，输入到SVM分类器构建的电机轴承耦合故障的SVM四分类器中进行识别预测，识别结果，如表2所示。从图8可知，正常信号的频带能量最小，几乎为0。负载轴承内圈故障的频带能量也相对较小。电机内圈故障与耦合故障的频带能量最大，但耦合故障的频带能量主要集中在子频带1、2、3上。而电机内圈故障的频带能量分布相对比较均匀，为分类识别提供了很好的依据。