《表1 GRNN预测裂纹误差表》

  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

《基于扭转角与神经网络的船轴裂纹故障诊断研究》

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

mm

将仿真得到的数据统一进行归一化处理，数据处理后的转矩施加端扭转角、切割块端面扭转角作为特征向量X构建神经网络的输入学习样本，裂纹类型、裂纹长度、裂纹深度的特征向量Y作为期望输出。其中轴向裂纹类型的输出参数设定为“0”，横向裂纹类型的输出参数为“1”。归一化后的数据共52组，其中48组作为GRNN的训练数据，建立船轴裂纹参数预测模型，4组作为预测实验数据对训练好后的网络进行测试。采用交叉验证寻找最优化参数方式循环训练GRNN，训练次数达到1 000次时完成训练，此时网络对样本的逼近性最好。将4组测试实验数据导入训练好的GRNN，计算出相应的裂纹参数，根据神经网络输出与仿真原始数据对比计算，得到GRNN预测裂纹误差，如表1所示。