《表1 训练结果与测试样本数量一致性比较》

  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

《基于自学习SOM和ARMA算法的数控机床滚动轴承健康预警研究》

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

由于滚动轴承性能退化过程较为复杂，且具有一定非线性、非平稳性特点，为了全面体现故障特征，本文综合考虑时域或频域中多个特征参数.所提取的时域特征参数包括:均值、均方根值、峰峰值、峰值、峰值因子、峭度、偏度、裕度；频域特征参数包括:均方根值、峰值、峰值因子；时频域特征参数包括:小波包节点能量.然后，采用主成分分析将线性相关的特征信息去除，最后，选择均值、均方根值、峰峰值、峰值、频率均方根值、小波包节点能量等六个特征参数进行故障类型的分类，输出SOM进行训练.轴承工作状态分为4种:正常状态、内圈故障、外圈故障、滚珠磨损故障等.本文采用的测试样本数为35，如表1所示，经样本训练后，SOM的训练结果如图7所示，图中将测试结果划分为4类，并显示出各类的结果样本数，与测试样本的比较结果如表1所示，测试结果表明训练样本数与测试样本数量一致.