《表2 SVM识别测试结果》
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。
图表编号 | XD003941900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.08 |
作者 | 巩晓赟、井云飞、张伟业 |
绘制单位 | 郑州轻工业大学河南省机械装备智能制造重点实验室、郑州轻工业大学河南省机械装备智能制造重点实验室、郑州轻工业大学河南省机械装备智能制造重点实验室 |
更多格式 | 高清、无水印(增值服务) |