An approach to performance assessment and fault diagnosis for rotating machinery equipment

EURASIP Journal on Advances in Signal Processing

Table 1 Feature vector samples for learning (hydraulic pump)

Number	1	2	3	4	5	6	7	8
Normal_1	0.0304	0.8484	0.1399	0.3570	0.1182	0.1565	0.1143	0.2843
Normal_2	0.0343	0.8433	0.1396	0.3557	0.1061	0.1819	0.1085	0.2926
Normal_3	0.0305	0.8307	0.1360	0.3732	0.1231	0.1659	0.1228	0.3057
Normal_4	0.0280	0.8163	0.1654	0.3778	0.1183	0.1491	0.1432	0.3256
Fault1_1	0.0256	0.8182	0.0260	0.1312	0.3582	0.4088	0.0290	0.1255
Fault1_2	0.0329	0.8141	0.0310	0.1312	0.3450	0.4265	0.0355	0.1255
Fault1_3	0.0355	0.8256	0.0378	0.1357	0.3483	0.3972	0.0323	0.1309
Fault1_4	0.0329	0.8266	0.0358	0.1284	0.3950	0.3517	0.0341	0.1304
Fault2_1	0.0261	0.2428	0.5679	0.0871	0.0190	0.0361	0.7785	0.0507
Fault2_2	0.0156	0.2385	0.5717	0.0861	0.0229	0.0366	0.7775	0.0484
Fault2_3	0.0193	0.2405	0.5628	0.0862	0.0278	0.0283	0.7834	0.0488
Fault2_4	0.0116	0.2479	0.5393	0.0816	0.0275	0.0319	0.7977	0.0521