《表1 轴承故障特征值表：基于KICA-GDA和LSSVM的齿轮箱轴承故障诊断》

  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KICA-GDA和LSSVM的齿轮箱轴承故障诊断》

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

2) 选择合适的时间间隔，分别将3种故障状态下的振动数据分成若干段，对每段数据先进行归一化处理，然后并计算每段数据的谱峭度K={K1，K2，?，Kk}、信息熵H={H1，H2，?，Hk}、功率谱密度指数FC={FC1，FC2，?，FCk}等10种特征值（特征值选取见表1）作为原始特征向量，其中，将表1中的第一行特征值作为第一特征，第二行特征值作为第二特征；对原始特征向量间的相关性进行分析，并将其直接作为LSSVM分类器的输入，得到故障分类准确率；