《表2 齿轮基本参数：基于局域波分解的齿轮箱故障诊断研究》
提示：宽带有限、当前游客访问压缩模式
该实验采用两级减速器JZQ-250型齿轮箱，整套实验装置在故障诊断实验台上搭建。实验装置如图1所示，表1、表2给出了轴承和齿轮的基本参数。
| 图表编号 | XD0057632800 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.06.15 |
| 作者 | 李莎 |
| 绘制单位 | 上海电机学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 模型对比：基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究》2020.10.15
- 《表2 最优参数：基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究》2020.10.15
- 《表1 主要参数：基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究》2020.10.15
- 《表3 3 DDHH参数：基于1-DCNN的行星齿轮箱故障诊断》2020.11.15
- 《表1 悬链线立管参数：基于1-DCNN的行星齿轮箱故障诊断》2020.11.15
- 《表1 齿轮故障特征：基于同步压缩-交叉小波变换算法的齿轮故障诊断研究》2020.11.25
- 《表1 齿轮箱特征参数：基于改进LMD算法的齿轮箱故障诊断研究》2020.12.15
- 《表1 材料力学参数：基于IPSO-FNN的风电齿轮箱故障诊断方法》2021.01.20
- 《表2 网络参数：基于深度一维残差卷积自编码网络的齿轮箱故障诊断》2020.04.05
- 《表2 接触力参数：基于多尺度排列熵的复合行星齿轮故障诊断研究》2020.09.08
- 《表2 频率特征参数：基于POVMD和CAF的低转速齿轮箱故障诊断》2020.02.01
- 《表1 齿轮箱参数：基于POVMD和CAF的低转速齿轮箱故障诊断》2020.02.01
- 《表2 行星齿轮箱参数：基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法》2019.06.01
- 《表3 测试样本统计结果：基于风电故障机组筛选的齿轮箱故障诊断研究》2019.09.15
- 《表2 训练样本统计结果：基于风电故障机组筛选的齿轮箱故障诊断研究》2019.09.15
- 《表1 试验参数设置表：基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法》2019.04.05
- 《表1 齿轮诊断结果：基于BP神经网络的采煤机传动机构故障诊断系统研究》2019.08.31
- 《表1 轴承基本参数：基于局域波分解的齿轮箱故障诊断研究》2019.06.15
- 《表3 测试集分类结果：基于一维卷积神经网络的齿轮箱故障诊断研究》2019.08.31
- 《表1 故障仿真信号参数：基于SWD-AVDIF的齿轮箱复合故障诊断方法》2019.02.18