四通道信息融合下的齿轮箱故障诊断(Python代码,SVM模型和CNN模型进行对比实验,解压缩即可运行,有详细中文注释)

1.效果运行视频:四通道信息融合下的齿轮箱故障诊断(Python代码,SVM模型和CNN模型进行对比实验)_哔哩哔哩_bilibili

用到的库:

 

2.数据集介绍:数据免费下载链接(不要积分):https://download.csdn.net/download/qq_40840797/88380869?spm=1001.2014.3001.5501

齿轮箱故障诊断数据集包括使用SpectraQuest的齿轮箱故障诊断模拟器记录的振动数据集。 数据集使用4个振动传感器在四个不同的方向上记录,采样频率为3000hz并在负载从0%到90%的变化下进行记录。包括两种不同的情景:

  1. 健康状态:文件夹Healthy
  2. 齿轮破损故障状态:文件夹BrokenTooth

总共有20个文件(每个文件夹下10个文件),其中10个用于健康的齿轮箱,另外10个用于破损的齿轮箱。每个文件对应于从0%到90%负载的逐步增加。

Healthy文件夹打开如图所示(每个表格对应于从0%到90%负载的逐步增加,因此一共10个表格):

BrokenTooth 文件夹打开如下图所示(每个表格对应于从0%到90%负载的逐步增加,因此一共10个表格):

这里以正常状态下的第一个表格(h30hz0.csv文件为例)展示

开始位置(数据集使用4个振动传感器在四个不同的方向上记录,)

截止位置(数据集使用4个振动传感器在四个不同的方向上记录):

这里以故障状态下的第一个表格(b30hz0.csv文件为例)展示 

开始位置(数据集使用4个振动传感器在四个不同的方向上记录)

截至为止(数据集使用4个振动传感器在四个不同的方向上记录)

2。项目流程(有四份代码)

第一份代码data_plot.py,功能是原始数据展示:

以传感器1(其它3个传感器跟传感器1采集时间和采样频率均相同)为例,所有数据展示(b:蓝色柱子为破损文件夹下的数据集,y轴为负载,横轴为采集点的个数)

 传感器1下负载为0和90%时,分别展示故障和健康的信号。

 

 传感器2下负载为0和90%时,分别展示故障和健康的信号。 

传感器3下负载为0和90%时,分别展示故障和健康的信号。

 传感器4下负载为0和90%时,分别展示故障和健康的信号。

 10种负载下健康和故障的数据总展示图(第一行是传感器1,第二行是传感器2,第三行是传感器3,第四行是传感器4)

一共是10列(每列里面有蓝色和黄色,蓝色为故障状态,黄色为健康状态),从负载0-负载90%。

因为要把20个表格,每个表里又有4个传感器的数据同时绘制出来,所以每个信号显示的较小。

a1传感器下的数值分布图(蓝色为故障状态,黄色为健康状态)

 a2传感器下的数值分布图(蓝色为故障状态,黄色为健康状态)

 

  a3传感器下的数值分布图(蓝色为故障状态,黄色为健康状态)

 

  a4传感器下的数值分布图(蓝色为故障状态,黄色为健康状态)

 

 第二份代码SVM.py

以512的固定长度切割信号,一共生成3941个样本(故障状态1960个样本,正常状态1981个样本,如下图所示)

故障状态样本集(最左侧为序列号0-1959,一共1960个样本)

正常状态样本集

 

总的样本集

样本数据归一化处理后,划分训练集与测试集(3:2)

测试集的准确率如下

 

 第三份代码CNN.py

以512的固定长度切割信号,一共生成3941个样本(故障状态1960个样本,正常状态1981个样本,如SVM章节所示)

样本数据归一化处理后,划分训练集与测试集(3:2),epoch为100

测试集的准确率如下

 

 

 

对整个项目感兴趣的,可以关注最后一行

 

import os
import numpy as np
import tensorflow as tf
from tensorflow.keras import layers, models
from sklearn.model_selection import train_test_split
import pandas as pd
from matplotlib import pyplot as plt
#数据及代码的压缩包:https://mbd.pub/o/bread/ZJ6amJ9y

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/144786.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

[RCTF2015]EasySQL 二次注入 regexp指定字段 reverse逆序输出

第一眼没看出来 我以为是伪造管理员 就先去测试管理员账号 去register.php 注册 首先先注册一个自己的账号 我喜欢用admin123 发现里面存在修改密码的内容 那么肯定链接到数据库了 题目又提示是sql 那我们看看能不能修改管理员密码 首先我们猜测闭合 通过用户名 admin…

ADworld reverse wp easyre-153

逆向分析 做逆向题先查壳, 就像做pwn先checksec一样 用PEid查不出来, 用Exeinfo PE可以查出ELF文件的壳 用工具直接脱upx壳, kali自带的工具或者手动安装一个windows的upx工具 脱壳之后拖入IDA32 int __cdecl main(int argc, const char **argv, const char **envp) {int …

媒体编解码器MediaCodec

目录 1.介绍MediaCodec类 2.创建MediaCodec的方式 3.MediaCodec流程 (1)配置编码参数 (2)创建编码器 (3)创建混合器 (4)开始编码 4.MediaCodec编码的工作方式 5.MediaCodec…

2023年十大开源项目:革新技术创新

来源整理 : 小托 | 开源社翻译组PM 翻译 : 张锋 | 开源社翻译 Open-source projects have revolutionized the world of software development by fostering innovation, collaboration, and community-driven contributions. These projects are often the backbone of countl…

iOS应用程序的签名、重签名和安装测试

目录 前言 打开要处理的IPA文件 设置签名使用的证书和描述文件 开始ios ipa重签名 前言 ipa编译出来后,或者ipa进行修改后,需要进行重新签名才能安装到测试手机,或者提交app store供apple 商店审核上架。ipaguard有签名和重签名功能&…

vue前端项目中添加独立的静态资源

如果想要在vue项目中放一些独立的静态资源,比如html文件或者用于下载的业务模板或其他文件等,需要在vue打包的时候指定一下静态资源的位置和打包后的目标位置。 使用的是 copy-webpack-plugin 插件,如果没有安装则需要先安装一下,…

记一次实战案例

1、目标:inurl:news.php?id URL:https://www.lghk.com/news.php?id5 网站标题:趋时珠宝首饰有限公司 手工基础判断: And用法 and 11: 这个条件始终是为真的, 也就是说, 存在SQL注入的话, 这个and 11的返回结果必定是和正常页…

【深度学习实验】卷积神经网络(三):自定义二维卷积层:步长、填充、输入输出通道

目录 一、实验介绍 二、实验环境 1. 配置虚拟环境 2. 库版本介绍 三、实验内容 0. 导入必要的工具包 1. 步长、填充 a. 二维互相关运算(corr2d) b. 二维卷积层类(Conv2D) c. 模型测试 d. 代码整合 2. 输入输出通道 a…

【冰糖R语言】创建R包(打包R程序)

目标:将现有R程序打包 可能涉及知识点:devtools包、usethis包、Rstudio软件 一、R包的类型 通常一个R包中包含以下元素: 1)R文件夹:函数代码 2)man文件夹:存放每个函数的注释文件 3&#x…

KNN(上):数据分析 | 数据挖掘 | 十大算法之一

⭐️⭐️⭐️⭐️⭐️欢迎来到我的博客⭐️⭐️⭐️⭐️⭐️ 🐴作者:秋无之地 🐴简介:CSDN爬虫、后端、大数据领域创作者。目前从事python爬虫、后端和大数据等相关工作,主要擅长领域有:爬虫、后端、大数据…

36 二叉树中序遍历

二叉树中序遍历 题解1 递归题解2 迭代 给定一个二叉树的根节点 root &#xff0c;返回它的 中序 遍历 。 提示&#xff1a; 树中节点数目在范围 [0, 100] 内-100 < Node.val < 100 进阶: 递归算法很简单&#xff0c;你可以通过迭代算法完成吗&#xff1f; 题解1 递归…

解决大模型行业落地三大挑战,华为云GaussDB向量数据库正式发布

随着AI大模型产品及应用呈现爆发式增长,新的AI时代已经到来。向量数据库可与大语言模型配合使用,解决大模型落地过程中的痛点,已成为企业数据处理和应用大模型的必选项。在近日举行的华为全联接大会2023期间,华为云正式发布GaussDB向量数据库。GaussDB向量数据库基于GaussD…

Nodejs+vue高校机房设备管理系统jt07u

开发语言 node.js 框架&#xff1a;Express 前端:Vue.js 数据库&#xff1a;mysql 数据库工具&#xff1a;Navicat 开发软件&#xff1a;VScode 集成IDE对高校机房设备管理系统统进行开发,整合系统的各个模块。 拟开发的高校机房设备管理系统通过测试,确保在最大负载的情况下…

亚马逊无线鼠标FCC认证办理 FCC ID

无线鼠标是指无线缆直接连接到主机的鼠标&#xff0c;采用无线技术与计算机通信&#xff0c;从而省却电线的束缚。通常采用无线通信方式&#xff0c;包括蓝牙、Wi-Fi (IEEE 802.11)、Infrared (IrDA)、ZigBee (IEEE 802.15.4)等多个无线技术标准。随着人们对办公环境和操作便捷…

Polygon Miden:扩展以太坊功能集的ZK-optimized rollup

1. 引言 Polygon Miden定位为zkVM&#xff0c;定于2023年Q4上公开测试网。 zk、zkVM、zkEVM及其未来中指出&#xff0c;当前主要有3种类型的zkVM&#xff0c;括号内为其相应的指令集&#xff1a; mainstream&#xff08;WASM, RISC-V&#xff09;EVM&#xff08;EVM bytecod…

C理解(一):内存与位操作

本文主要探讨C语言的内存和为操作操作相关知识。 冯诺依曼结构和哈佛结构 冯诺依曼结构&#xff1a;数据和代码放在一起,便于读取和修改,安全性低 哈佛结构是&#xff1a;数据和代码分开存放,安全性高,读取和修麻烦 内存 内存是用来存储全局变量、局…

Cloudflare进阶技巧:缓存利用最大化

1. 引言 cloudflare我想你应该知道是什么&#xff0c;一家真正意义上免费无限量的CDN&#xff0c;至今未曾有哥们喷它的。当然&#xff0c;在国内的速度确实比较一般&#xff0c;不过这也不能怪它。 CDN最大的特色&#xff0c;我想就是它的缓存功能&#xff0c;达到防攻击&am…

云原生之使用Docker部署PDF多功能工具Stirling-PDF

云原生之使用Docker部署PDF多功能工具Stirling-PDF 一、Stirling-PDF介绍1.1 Stirling-PDF简介1.2 Stirling-PDF功能 二、本次实践规划2.1 本地环境规划2.2 本次实践介绍 三、本地环境检查3.1 检查Docker服务状态3.2 检查Docker版本3.3 检查docker compose 版本 四、下载Stirli…

redis查看耗时久的命令

redis查看耗时久的命令主要有两招&#xff1a;latency和slow log 【latency】 在Redis中&#xff0c;latency命令用于监视和测量Redis实例的延迟。 先进入redis: redis-cli -h 127.0.0.1 -p 24000[查看延迟监视器阈值] CONFIG GET latency-monitor-threshold这个值返回0&…

【计算机视觉】3.传统计算机视觉方法

传统计算机视觉方法 一、大纲图像分割人脸检测行人检测 二、图像分割基于阈值检测的方法基于边缘检测的方法基于区域的分割方法基于图论的分割方法 三、人脸检测四、行人检测五、SVM六、DPM 一、大纲 图像分割 基于阈值、基于边缘 基于区域、基于图论 人脸检测 Haar-like 特征…