《表2 3种工况能量特征聚类中心》

  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MRSVD能量特征和KFCM的齿轮箱复合故障诊断》

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

3种工况各选取5组样本（此15组样本为训练样本，剩余15组样本为测试样本），将所提取的能量特征参数进行KFCM聚类。设定聚类数为3；高斯核函数的参数σ=150；加权指数m=2；终止迭代误差ε=0.000 01。得到各数据样本的隶属度，如表1所示。从表1中可以看出，按照最大隶属度原则，前5组样本聚为第一类，为正常工况；中间5组样本聚为第二类，为“断齿+磨损”故障工况；后3组样本聚为第三类，为“裂纹+磨损”故障工况。15组数据样本全部准确识别，与实际相符。表2为其15组数据得出的聚类中心。