《表2 小包能量特征表：基于核主成分分析BP＿Ada Boost算法的数控铣床故障诊断》

  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

《基于核主成分分析BP＿Ada Boost算法的数控铣床故障诊断》

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

通过图5与图6发现切削力信号1、2频段与振动信号6、7、8变化比较明显，由于振动信号与切削力信号的量级差别较大，因此需要将得到特征向量进行KPCA降维得到新的立铣刀磨损状态特征向量。根据1.1节特征值提取方法，对各通道（共6通道）的信号，时频分析提取出8个特征，因此对于每次铣削记录，都能提取出48个特征，最后的特征矩阵大小为315×48，部分数据特征向量如表2，对此矩阵进行KPCA方法，从原始的样本特征矩阵中提取的7个特征向量的特征矩阵为315×7。