- 博客(195)
- 收藏
- 关注
RSS订阅原创 以CWRU(凯斯西储大学轴承数据)为数据诊断实例，把一维振动信号变成二维，实现二维故障十分类诊断，代码直接可以运行
本文介绍了基于CWRU轴承故障数据集的深度学习分类方法。使用12kDriveEndBearingFaultData和12NormalBaselineData数据集，构建了一个包含4层卷积层的CNN模型。数据以12,000Hz采样，切割为1024点的信号段并转换为32×32图像。模型在1000个训练样本上经过150轮训练，验证集准确率达到90%以上。实验结果表明，该方法能有效识别轴承故障类型，训练和验证曲线显示模型具有良好的收敛性。代码实现了数据加载、预处理、模型训练和评估的全流程，为轴承故障诊断提供了可行方
2026-03-04 15:47:29
89
原创 CNN网络，CNN+SVM网络对故障分类（python代码）
本文提出了一种基于CNN-SVM的轴承故障诊断方法。实验采用IMS数据集，包含正常、内圈、外圈和滚动体四种状态。网络结构将传统CNN最后一层替换为SVM分类器，通过特征提取与分类相结合提升诊断性能。结果表明该方法能有效识别不同故障类型，并附有效果图展示诊断结果。该方法具有通用性，可拓展至CWRU、PU等其他轴承数据集验证。
2026-03-04 15:44:01
51
原创 采用RNN网络对轴承寿命进行预测（python代码）
本文基于西安交大转子数据集，提出了一种基于RCNN的轴承剩余寿命预测方法。首先对轴承振动信号进行归一化和滑窗处理，构建训练和测试数据集。然后设计了一个包含4层RCL(循环卷积层)的神经网络模型，每层后接最大池化和Dropout层，最后通过全连接层输出预测结果。实验采用Adam优化器和均方误差损失函数，经过3轮训练后，模型在验证集上取得了较好的预测效果。该方法通过结合循环神经网络和卷积神经网络的优势，有效提取了轴承振动信号的时序特征，为机械设备的寿命预测提供了新思路。
2026-03-04 15:42:44
69
原创 融合两通道振动信号，分别利用随机深林，卷积结合残差网络进行滚动轴承故障诊断实验。（代码有详细注释）
本文介绍了一个轴承故障诊断系统，使用CWRU数据集包含正常、内圈故障、滚动体故障和外圈故障四类数据。通过Python脚本实现了数据预处理、随机森林分类和CNN+ResNet混合模型三种方法。数据处理阶段对振动信号进行归一化并分割为1000点/样本的片段，构建了5600个样本的数据集。随机森林模型在测试集达到较高准确率，而CNN+ResNet混合模型表现更优，两种方法均输出了训练曲线和分类报告。完整代码包含数据加载、特征工程和模型训练模块，可直接运行复现实验结果。
2026-03-03 22:40:53
174
原创 面向用户界面设计，故障诊断程序集成设计（以CWRU为例）
本文介绍了一个基于BP神经网络的故障诊断系统，包含时域分析、频域分析和故障预测三大功能。系统通过FFT实现频域分析，可显示幅值谱并识别峰值频率。BP神经网络模块支持四种故障类型检测，提供数据加载、标签制作、模型训练及验证功能，训练后可保存模型参数用于故障预测。使用时需注意将FFTW_dll文件复制到构建文件夹，系统界面提供详细的操作指引。完整代码和数据文件见对应文件夹。
2026-03-03 22:35:21
201
原创 GRU,GRU+Attention,lstm+Attention,三种方法股票预测结果对比
本文基于招商银行数据，对比了三种深度学习模型的性能。实验结果表明：1)基础GRU模型表现良好；2)引入注意力机制(Attention)的GRU模型性能有所提升；3)LSTM结合注意力机制也取得不错效果。研究提供了GRU、LSTM三种网络的完整代码实现（资源链接：GRU,LSTM三种网络.rar-CSDN下载），为相关研究提供了可复现的基准模型和实现方案。
2026-03-02 23:16:23
197
原创 交通流量预测(python代码，压缩包中带有数据，CNN_GRU,CNN_BiGRU_ATTENTION,LSTM三种不同模型，多特征输入，单标签输出，可以替换为其它时序数据集)
本文介绍了基于美国交通流量数据的三种深度学习预测模型(CNN-GRU、CNN-BiGRU-Attention、LSTM)的实现与对比。使用2018年9月至10月采集的15条道路、12096条15分钟间隔的单向交通流量数据，采用历史6个时间点数据预测下个时间点流量的实用方法。提供了可直接运行的Python代码及数据，包含三种模型的测试结果对比和真实值可视化(plt.py)。特别说明特征标签的合理选择方式，推荐使用历史完整数据预测未来流量的方案，并展示了2018年10月31日测试集的预测效果对比。环境库版本信息
2026-03-02 22:57:11
820
原创 机械寿命预测，多步预测，跨设备寿命预测(以一台训练好的模型对另一台直接预测，python代码，压缩包包含数据集，解压缩后直接运行)
本文基于两台机械设备的输入特征和寿命数据，构建CNN_LSTM_ATTENTION模型进行跨设备寿命预测。模型采用前3个输入状态预测后3个周期的寿命，通过两种实验方案验证：方案1使用设备1数据训练、设备2测试；方案2反之。实验展示了训练集和测试集的预测结果对比，验证了模型在跨设备预测场景下的有效性。代码实现了数据预处理、模型构建及性能评估的全流程。
2026-03-02 22:55:40
406
原创 基于 VGG16 迁移学习的轴承故障诊断方法代码（python代码，带有数据集，可以直接运行）
该研究复现了基于VGG16迁移学习的轴承故障诊断方法，通过对比实验验证了其优越性。项目提供可直接运行的Python代码（TensorFlow≥2.4.0）及完整数据集，包含0HP-3HP四个负载条件下的实验数据。核心程序包括：生成特征图片的creat_picture.py、VGG16迁移学习模型（使用预训练参数）和普通CNN对比模型。实验结果显示，在十次迭代条件下，VGG16模型在不同负载测试中表现优异（准确率98.5%），而CNN模型需100次迭代仍效果欠佳。项目完整复现了原论文结论，证实迁移学习在跨工况
2026-03-02 22:54:06
700
原创 SVM故障诊断(MATLAB代码)
本文介绍了一个基于SVM的机器学习实验流程。首先对训练集和测试集数据进行归一化处理，使用mapminmax函数实现数据标准化。接着采用RBF核函数的SVM模型，通过网格搜索方法在参数空间(-10到10)中寻找最优的c和g参数组合，使用交叉验证评估不同参数的性能。实验包含10个训练样本和10个测试样本，数据存储在data.mat文件中。完整的代码和数据集已打包提供下载链接。该流程展示了从数据预处理到模型参数优化的标准机器学习实验步骤。
2026-03-02 22:52:42
130
原创 基于一维WDCNN的滚动轴承故障诊断（十分类，Python代码，TensorFlow框架，压缩包包含数据集和代码，解压缩后直接运行）
main_0HP.py、main_1HP.py、main_2HP.py和main_3HP.py是故障诊断主程序，分别对应不同负载的数据，这四个程序只有数据调取路径这行代码不一样，其它部分都相同，只是担心新手不会修改数据路径，因此分成了四个脚本。preprocess.py是数据预处理程序，将原始数据变成一个个样本，被主程序调用。data文件夹装载的是凯斯西楚大学（CWRU）轴承数据集。运行环境库要求：TensorFlow>=2.4.0即可。以0HP文件夹为例，进行展示。
2026-02-26 18:00:58
408
原创 WDCNN结合GRU滚动轴承故障诊断（十分类，Python代码，TensorFlow框架，压缩包包含数据集和代码，解压缩后直接运行）
本项目基于凯斯西楚大学轴承故障数据集，开发了一套故障诊断系统。系统包含4个主程序（main_0HP.py至main_3HP.py）分别处理不同负载数据，以及preprocess.py预处理程序。数据集包含0-3HP四种负载下10类故障（内圈/外圈/滚动体各3种尺寸故障+正常状态）。程序采用统一网络结构，展示了各负载下的训练/验证/测试结果，包括准确率曲线、混淆矩阵和特征可视化。系统运行要求TensorFlow>2.4.0，通过分脚本设计简化了数据路径修改，便于新手使用。
2026-02-26 17:58:13
159
原创 利用马可夫变迁场将一维振动信号转变为二维图像，并利用深度卷积（可替换其它网络）进行识别分类，分别在不同负载数据集进行实验(python代码，压缩包带有数据，可以直接运行)
摘要：该研究提出一种基于马可夫变迁场(MTF)和深度卷积网络的轴承故障诊断方法。通过MTF将一维振动信号转换为二维图像，再利用深度卷积网络进行分类识别。实验在CWRU数据集上进行，针对不同负载条件(0HP、1HP、2HP)分别测试，分类任务包含正常、内圈故障、外圈故障和滚动体故障四种状态。该方法支持灵活扩展，可适应十分类任务或其他轴承数据集。代码实现包含图像生成(create_picture.py)和诊断模型(CNN.py)两个主要模块。
2026-02-26 17:55:20
273
原创 单传感器利用小波变换生成图像，再利用深度卷积网络进行故障诊断(python代码)
本文基于CWRU轴承故障数据集，采用cmor3-2小波变换将一维振动信号(1024长度)转换为二维图像，实现故障特征可视化。实验包含四类样本(正常、内圈、外圈、滚动体故障)，也可扩展为十分类(含不同故障尺寸)。结果表明，小波变换后的图像能清晰区分不同故障类型。测试数据集包含0HP、1HP、2HP和3HP四种负载条件下的样本，验证了该方法的有效性。
2026-02-26 17:44:05
219
原创 融合DE 端和FE端数据，利用小波变换生成时频图，再分别利用DCNN、KNN和DNN进行对比实验(python代码)
摘要：本文基于CWRU轴承实验数据，提出了一种融合连续小波变换尺度图(CWTS)与深度卷积网络(DCNN)的故障诊断方法。实验采用SKF6203轴承在不同负载(0-3HP)下的振动数据，通过电火花加工制造不同尺寸故障。针对传统方法的局限性，利用连续小波变换生成包含完整时频特征的CWTS图像，并融合驱动端(DE)和风扇端(FE)的双通道信息。构建二维DCNN网络，与DNN和KNN方法对比实验表明，DCNN在四种负载下的平均识别准确率达99.23%，显著优于其他方法。该方法避免了传统特征提取的信息损失，为轴承故
2026-02-26 17:41:46
337
原创 一维振动信号通过时频变换技术生成晚霞图像，再利用CNN进行故障诊断（Python代码）
本文基于CWRU数据集，采用时频变换技术将一维振动信号转换为图像，并利用CNN进行故障分类。实验以四分类（正常、内圈、外圈、滚动体故障）为例，通过可视化不同故障样本的时频图像，验证了该方法的有效性。测试结果展示了0HP、1HP、2HP、3HP四个数据集的混淆矩阵，证明该方法能有效区分不同故障类型。时频变换技术显著增强了故障特征的差异性，为基于深度学习的机械故障诊断提供了新思路。
2026-02-26 15:13:38
403
原创 轻量级网络EfficientNetB0，利用迁移学习中的微调技术进行小样本轴承故障诊断（Python代码，带有数据集，训练集集的每类只需10个样本）
本研究基于CWRU数据集，采用EfficientNetB0模型进行轴承故障诊断。实验使用4种负载数据（0HP-3HP），每类包含正常、内圈、外圈和滚动体故障数据。通过creat_picture.py将一维信号转换为二维图像，每类生成100个样本（训练集各10个，测试集各90个）。模型采用迁移学习策略，冻结预训练参数，仅微调分类器。实验结果显示，该方法在不同负载条件下均取得良好诊断效果，验证了模型的有效性。各负载数据集的具体诊断结果可通过链接查看。
2026-02-26 15:12:12
261
原创 自然环境下，4种水稻叶片病虫害数据集，并使用深度卷积网络对其识别，准确率在98.6%以上（python代码，带有数据集，可以直接运行，带有GUI界面，对代码感兴趣可以私信，为本人创作）
本文介绍了一个自然环境下采集的水稻叶片病虫害数据集，包含白叶枯病(1548张)、稻瘟病(1440张)、褐斑病(1600张)和東格魯桿狀病毒(1308张)四类图像。数据集处理流程包括：1)原始数据存储在data文件夹；2)通过hf.py将数据随机划分为训练集和测试集；3)使用model.py构建CNN模型，通过train.py进行训练(20个epoch可达98.6%准确率)，模型参数保存为CNN.pth；4)提供predict.py识别程序和GUI.py可视化界面，支持图片选择和分类结果显示。整个系统实现了水
2026-02-26 15:10:07
870
原创 股票预测（数据为招商银行在A股的数据，模型为MSCNN_Bilstm_Attention,python，代码和数据均在压缩包里，可以直接运行，并使用MAE/MSE/MAPE/涨跌准确率作为指标）
本文基于招商银行A股数据（开盘价、最高价、最低价、收盘价），提出MSCNN_BiLSTM_Attention模型预测未来收盘价。相比CNN_LSTM_Attention模型，新模型在测试集上表现更优，MAE、MSE、MAPE等指标均有改善。研究提供Python代码、数据和运行视频，验证了模型有效性。
2026-02-26 15:05:34
181
原创 时序数据利用EEMD_LSTM模型进行预测（Python编程，数据集和代码均在压缩包，解压缩后可以直接运行，数据可以替换为股票数据，交通流量等时序数据）
本文介绍了一种基于EEMD-LSTM的时序数据预测方法。该方法首先使用EEMD将溶解氧等水质参数时序数据分解为多个本征模态函数(IMFs)，然后对每个IMF分量建立LSTM预测模型，最后通过加权平均得到最终预测结果。实验表明，该方法能有效预测未来溶解氧含量，当训练epoch设为100时预测效果更佳。文中详细描述了数据预处理、模型构建、异常检测等关键步骤，并提供了预测结果可视化展示。该模型适用于各类时序数据预测任务，如气象、交通流量等领域的预测分析。
2026-02-26 14:53:56
368
原创 分别用四种不同的方法对时序序列的异常点检测(python代码)
本文研究了水质数据中溶解氧（DissolvedOxygen）的异常检测问题，比较了四种异常检测模型：iForest、LocalOutlierFactor、OneClassSVM和DBSCAN。通过Python实现，各算法首先读取水质数据集并提取溶解氧数据，然后分别进行异常检测。iForest通过隔离机制识别异常，LocalOutlierFactor基于局部密度，OneClassSVM采用支持向量机方法，DBSCAN通过密度聚类。实验结果显示各算法均能有效检测异常点，并通过可视化（红色标记异常点）展示检测效果
2026-02-25 11:17:19
568
原创 基于数据预处理工程（增加收益率波动）与GRU结合雅虎美股预测
本文提出了一种结合GARCH和GRU模型的股票预测方法。首先对雅虎股票数据进行预处理，包括计算收益率和去除缺失值。使用GARCH模型预测波动率，采用滚动窗口方法进行拟合。然后构建GRU神经网络模型，对归一化后的数据进行训练和预测。实验结果表明，该方法能有效预测股票价格走势，并通过R2分数评估预测准确性。文中详细介绍了数据预处理、模型构建和训练过程，并提供了可视化结果展示。
2026-02-25 11:14:54
364
原创 CEEMDAN_LSTM、EMD_LSTM、EEMD_LSTM模型股票预测对比结果
摘要：研究对比了CEEMDAN_LSTM、EEMD_LSTM和EMD_LSTM三种模型在比亚迪A股（2011-2023年）2848个交易日收盘价预测中的表现。结果显示，虽然CEEMDAN和EEMD方法理论上更优，但实际应用中EMD_LSTM的预测效果最佳，可能由于参数未达最优或数据特性所致。后续将优化CEEMDAN和EEMD的参数设置以提升预测精度。（99字）
2026-02-25 11:13:01
347
原创 基于时序特征处理与LSTM结合的雅虎美股数据预测
本文提出了一种结合时间特征工程与LSTM的股票预测方法。使用2015-2020年共1826天的雅虎美股数据（开盘价、收盘价、最高价、最低价等），通过日期特征提取、傅里叶季节性特征构建和MinMax归一化进行预处理。采用包含LeakyReLU和Dropout的多层LSTM网络，以Adamax优化器和MAPE损失函数进行训练。实验结果表明，该方法能有效预测股票收盘价，并通过可视化对比和RMSE指标验证了预测效果。
2026-02-25 11:09:23
373
原创 苹果叶病害数据集
该数据集包含4类苹果叶病害图像，每类3000张照片，分别是：苹果黑星病（AppleScab）、黑腐病（BlackRot）、雪松苹果锈病（CedarAppleRust）和健康叶片（healthy）。数据集可用于植物病害识别研究，完整资源可通过指定链接获取。
2026-02-25 09:09:16
181
原创 马铃薯病害数据集
该马铃薯病害数据集包含三类图像：早期枯萎病（Early_Blight）、晚期枯萎病（Late_Blight）和健康植株（Healthy）。数据集已划分为训练集、验证集和测试集，其中训练集包含1303张早期枯萎病、1132张晚期枯萎病和816张健康植株图片；验证集分别有163、151和102张；测试集则包含162、141和102张对应类别的图像。数据以类别文件夹形式组织，如Training文件夹下设有Healthy、Early_Blight和Late_Blight三个子目录。
2026-02-22 17:34:08
146
原创 番茄（西红柿）叶病害数据集
该数据集包含10个类别，每个类别对应一个子文件夹（如Bacterial_spot）。每个子文件夹下包含1100张相关照片，用于分类或识别任务。示例展示了第一个类别Bacterial_spot的文件结构，表明数据集组织规范，便于机器学习模型训练。
2026-02-22 17:29:56
136
原创 4种玉米叶病虫害数据集，并使用深度卷积网络对其识别，准确率在99.06%以上（python代码，带有数据集，可以直接运行，带有GUI界面，对代码感兴趣可以私信，为本人创作）
本研究构建了一个基于CNN的玉米叶片病虫害智能识别系统。数据集包含4类图像：枯萎病(1145张)、普通锈病(1306张)、灰斑病(574张)和健康叶片(1162张)。通过数据预处理将原始图像随机划分为训练集和测试集，采用CNN模型进行训练，50次迭代后识别准确率达99.06%。系统包含模型训练(train.py)、图像预测(predict.py)和可视化界面(GUI.py)三个模块，用户可通过GUI选择图片并查看分类概率结果。研究成果为农业病害智能诊断提供了有效解决方案。
2026-02-22 17:28:44
161
原创 基于深度自编码网络实现轴承故障诊断（python代码，tensorflow框架）
本文介绍了一个基于深度自编码网络(DAE)的轴承故障诊断系统。该系统使用TensorFlow框架(≥2.4.0)实现，处理CWRU数据集中的轴承信号数据。通过data_processing.py将原始数据预处理为1024长度的样本并生成标签，DAE.py实现诊断模型。该模型首先通过DAE进行特征提取和降维，然后训练分类器匹配特征与标签。实验展示了不同负载(0HP-3HP)下的训练/测试准确率曲线和损失曲线，以及混淆矩阵结果，验证了该方法的有效性。代码结构清晰，包含数据处理、模型训练和评估全流程。
2026-02-22 17:20:32
301
原创 利用TimeGAN技术对一维时序数据进行扩增（Python代码）
本文介绍了一种基于时间序列生成对抗网络（TimeGAN）的薪资数据扩增方法。针对工作经验年限与薪资的小样本数据集（30条记录），采用TimeGAN模型进行数据生成。该模型结合了监督损失和无监督对抗损失，通过嵌入网络降低学习空间维度，有效捕捉时间序列数据的条件分布。实验结果表明，扩增数据与原始数据具有相似的概率分布。运行环境要求包括numpy 1.19.2、pandas 1.2.0、scikit-learn 0.24.0和TensorFlow 2.4.0。该方法为解决小样本时间序列数据问题提供了有效途径。
2026-02-22 17:18:22
302
原创 利用CNN对车牌进行智能识别(python代码，解压缩后直接运行)
本文介绍了一个基于卷积神经网络(CNN)的车牌识别系统。系统采用级联分类器检测车牌位置，通过图像处理分割字符，最后使用CNN模型识别字符。流程包括车牌检测、字符分割和字符识别三个阶段，使用了OpenCV、TensorFlow等技术。实验表明，当训练轮次(EPOCH)达到80时，模型准确率可达99.95%。该系统完整实现了从车牌定位到字符识别的全过程，为智能交通系统提供了有效的技术方案。
2026-02-22 17:16:20
428
原创 利用CNN对车牌进行智能识别(python代码，解压缩后直接运行)
该函数通过级联分类器检测图像中的车牌位置，并绘制矩形框标识车牌。该函数在二值图像中查找轮廓，并根据轮廓的尺寸筛选出车牌或字符。代码主要涵盖了车牌检测、字符分割和字符识别的过程，使用了级联分类器、图像处理和卷积神经网络等技术。函数，用于分割车牌中的字符。该函数对裁剪的车牌图像进行预处理，提取字符轮廓，并返回字符图像列表。函数对输入图像进行处理，并显示输入图像、检测到的车牌和提取的车牌。函数对提取的车牌进行字符分割，并显示分割后的字符图像。函数，对分割的字符进行识别，并返回车牌号码。输出识别的车牌号码。
2026-02-22 17:14:44
388
原创 利用resnet50模型实现车牌识别（Python代码，.ipynb和.py两种文件保存都有，可以使用jupyter或pycharm运行）
本文介绍了一个基于ResNet50模型的车牌识别系统实现流程。系统首先对图像数据集进行预处理和可视化，采用数据增强技术扩充训练样本。通过划分训练测试集、定义评估指标、构建并训练模型等步骤完成模型开发。在车牌识别阶段，系统能自动检测车牌位置、分割字符轮廓，并利用训练好的模型进行字符预测。项目提供了Python代码的.ipynb和.py两种格式，可在Jupyter或PyCharm环境下运行。实验效果图展示了预测结果与真实标签的对比情况，验证了该方法的有效性。
2026-02-22 17:13:49
318
原创 汽车牌照目标检测（Python代码）
摘要：本文基于ChineseCityParkingDataset数据集，构建了完整的停车场景车牌识别流程。首先导入必要库并展示样本图像及元数据（车牌号、边界框等），创建数据框后划分训练集、验证集和测试集。随后将数据适配YOLOv8框架，生成标签文件和配置文件。实验部分包括GPU缓存清理、训练结果分析（损失曲线绘制）以及最终识别效果展示，完整呈现了从数据处理到模型测试的全流程。
2026-02-22 16:03:11
135
原创 短期光伏发电量短期预测（Python代码，基于LSTM模型）
本文基于印度某太阳能发电厂34天的68779条数据，使用LSTM模型进行光伏发电量短期预测。首先对包含DC/AC功率、日/总发电量等关键指标的原始数据进行预处理，包括时间格式转换、重采样和归一化。随后构建LSTM神经网络模型，将数据划分为训练集和测试集进行训练。预测结果显示，模型能较好地捕捉发电量变化趋势，预测曲线（红色）与实际值对比效果良好，验证了LSTM在光伏发电预测中的有效性。该方法可为电网调度和能源管理提供决策支持。
2026-02-22 16:01:01
805
1
原创 四种不同机器学习方法（线性回归模型，K近邻回归模型，决策树回归模型，随机森林回归模型）对光伏发电预测
本文基于包含温度特征的太阳能发电数据集，对特定光伏板(SOURCE_KEY=1BY6WEcLGh8j5v7)进行发电功率预测。研究整合了发电数据和气象数据，包括环境温度、模块温度等特征。通过数据预处理和特征工程后，采用线性回归、K近邻回归、决策树回归和随机森林回归四种模型进行预测性能比较。实验结果表明，随机森林等集成方法在光伏发电预测任务中表现优异，为光伏发电量预测提供了有效解决方案。
2026-02-13 15:29:30
660
原创 股票智能预测系统（Python代码，可以自主选择预测模型，被预测的为每天的收盘价格，代码有详细注释），很容易替换为其它时序数据集，其它模型也很容易被加进去，已经留了增加其它模型的位置
本文介绍了一个基于Python的股票智能预测系统，该系统使用2015-2020年苹果公司股票数据（包含日期、收盘价、最高价、最低价、开盘价和成交量等特征）。系统以前5天的收盘价作为输入特征，预测第6天的收盘价，并实现了RNN、LSTM和CNN-LSTM三种深度学习模型，这些模型均已调整至最优结构。该系统设计灵活，支持轻松替换数据集或添加其他预测模型。实验结果表明，三种模型均能有效预测股票价格走势，其中CNN-LSTM模型表现最佳。该系统为股票预测研究提供了一个可扩展的框架。
2026-02-09 11:13:50
919
原创 输电线路故障诊断（Python代码，利用随机森林方法实现二分类和多分类）
摘要：本文基于Simulink仿真系统构建了输电线路故障诊断模型，采集了单相接地、两相接地等5类故障及正常状态下的三相电流电压数据，形成12001个样本数据集。研究首先进行二分类（正常/故障），通过随机森林模型实现高效识别；进而开展六分类（具体故障类型+正常）诊断，准确率达87.79%。实验包括数据可视化、特征分析及混淆矩阵评估，验证了仿真数据驱动方法的有效性。结果表明，该方法能较好区分各类故障，为智能电网故障诊断提供可行方案。
2026-02-09 11:12:43
860
原创 轴承故障诊断（一维时序信息结合二维图像实现故障诊断，python编程，十分类，每行代码都有详细中文注释，Tensorflow框架）
本项目基于TensorFlow框架实现轴承故障诊断，通过将一维时序信号转换为二维小波图像进行特征提取。使用凯斯西储大学数据集，包含12kHz下4种负载状态和48kHz数据的十分类诊断。代码按负载状态分文件实现（如Code.py_0HP.py），包含完整注释。数据按6:1:3划分训练/验证/测试集，模型输出准确率曲线、损失曲线、混淆矩阵及F1分数报告。预处理阶段将原始信号保存为.npy文件，并生成对应小波图像。项目展示了不同负载下的诊断效果，为工业设备故障检测提供有效解决方案。
2026-02-09 11:11:50
288
华中科技大学齿轮箱数据集免积分下载
2025-11-24
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人