《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》
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。
图表编号 | XD004008700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.15 |
作者 | 朱翔、谢峰 |
绘制单位 | 安徽大学电气工程与自动化学院、安徽大学电气工程与自动化学院 |
更多格式 | 高清、无水印(增值服务) |