Fault diagnosis of Gear box is one

Fault diagnosis of Gear box is one of the core research areas in the
field of condition monitoring of rotating machines. A total of twenty four classes are classified using statistical features of eighth scale
Morlet wavelet coefficients and multiclass proximal support vector
machine is used in further classification of features. An error of
27.541% is obtained in classifying a total of twenty four classes
(given in Table 3) all-at-once. It is found that the classification using
the multiclass proximal support vector machine gives good results
for large classes of data in less time. There exists better result than
obtained one if it is possible to find the better kernel parameters.

ผลลัพธ์ (ไทย) 1:

การวินิจฉัยข้อบกพร่องของกล่องเกียร์เป็นหนึ่งในพื้นที่วิจัยหลักในการ
ฟิลด์ตรวจสอบสภาพของเครื่องจักรหมุน จำนวนชั้นยี่สิบสี่ประเภทโดยใช้ลักษณะทางสถิติของขนาดแปด
Morlet wavelet สัมประสิทธิ์ multiclass proximal สนับสนุนเวกเตอร์
เครื่องใช้ในการจัดประเภทเพิ่มเติมของ ข้อผิดพลาดของ
27541% ได้รับมาในการจัดประเภทจำนวนยี่สิบสี่ชั้น
(กำหนดในตารางที่ 3) ทั้งหมดในครั้งเดียว พบว่าการจัดประเภทโดยใช้
เครื่องสนับสนุน multiclass proximal เวกเตอร์ให้ผลลัพธ์ดี
สำหรับชั้นเรียนขนาดใหญ่ของข้อมูลในเวลาที่น้อยกว่า มีผลลัพธ์ดีกว่า
รับหนึ่งถ้าเป็นไปได้ในการค้นหาพารามิเตอร์เคอร์เนลดี

ผลลัพธ์ (ไทย) 2:

การวินิจฉัยความผิดของกล่องเกียร์เป็นหนึ่งในพื้นที่ที่การวิจัยหลักใน
ด้านการตรวจสอบสภาพของเครื่องหมุน ทั้งหมดยี่สิบสี่ชั้นจัดประเภทการใช้คุณสมบัติทางสถิติของขนาดแปด
Morlet สัมประสิทธิ์เวฟเล็ตและ multiclass สนับสนุนเวกเตอร์ใกล้เคียง
เครื่องที่ใช้ในการจัดหมวดหมู่เพิ่มเติมคุณสมบัติ ข้อผิดพลาดของ
27.541% จะได้รับในการจัดทั้งหมดยี่สิบสี่ชั้น
(ที่กำหนดไว้ในตารางที่ 3) ทุกครั้งที่ พบว่าการจัดหมวดหมู่โดยใช้
เครื่องสนับสนุนเวกเตอร์ใกล้เคียง multiclass ให้ผลที่ดี
สำหรับชั้นเรียนขนาดใหญ่ของข้อมูลในเวลาที่น้อยลง มีผลดีกว่าที่มีอยู่
ได้รับหนึ่งถ้ามันเป็นไปได้ในการหาพารามิเตอร์ที่ดีกว่า

ผลลัพธ์ (ไทย) 3:

การวินิจฉัยข้อบกพร่องของเกียร์เป็นหนึ่งในหลักของการวิจัยในพื้นที่ ตรวจสอบสภาพสนามของ
หมุนเครื่องจักร รวมยี่สิบสี่ชั้นเรียนจะแบ่งโดยใช้คุณสมบัติทางสถิติของระดับ 8
morlet และค่าสัมประสิทธิ์เวฟเล็ตการทำงานสนับสนุนเครื่องเวกเตอร์
หลายใช้ในการจำแนกคุณลักษณะเพิ่มเติม ข้อผิดพลาดของ
27แต่เปอร์เซ็นต์เมื่อรวมยี่สิบสี่ชั้นเรียน
( ระบุในตารางที่ 3 ) ทั้งหมดในครั้งเดียว พบว่า การจำแนกโดยใช้

หลายการทำงานสนับสนุนเวกเตอร์เครื่องจักรให้ผลลัพธ์ที่ดีสำหรับชั้นเรียนขนาดใหญ่ของข้อมูลในเวลาที่น้อยลง ยังมีผลมากกว่า
ได้รับหนึ่งถ้าเป็นไปได้เพื่อหาพารามิเตอร์ของเคอร์เนลดีกว่า