基于极限学习机的轴承故障分类（西储大学数据）

一概述

1.1说明

极限学习机的实现程序。
处理的数据为西储大学的不同故障类型的轴承数据。
程序包括：预处理数据和matlab训练预测部分
原理：参考博客

1.2开发工具

matlab2018
pycharm2020
python版本：python3.7（重要）

二.程序实现

用python分段截取西储大学的原始数据，再用matlab提取为特征值，通过极限学习机训练和预测。
PS：程序中涉及的路径请改为自己的西储大学轴承数据文件的路径。

（1）数据预处理一（python）

请先下载数据
西储大学数据
PS：如果python运行有问题，请将python更新到3.7版本
python分段截取西储大学的原始数据

import numpy as np
import scipy.io as scio
from random import shuffle


def normalize(data):
    '''(0,1)normalization
    :param data : the object which is a 1*2048 vector to be normalized
    '''
    s= (data-min(data)) / (max(data)-min(data))

    return  s


def cut_samples(org_signals):
    ''' get original signals to 10*120*2048 samples, meanwhile normalize these samples
    :param org_signals :a 10* 121048 matrix of ten original signals
    '''

    results=np.zeros(shape=(10,120,2048))
    temporary_s=np.zeros(shape=(120,2048))

    for i in range(10):  #对应十类故障数据
        s=org_signals[i]
        for x in range(120):  #每类数据120段样本
            temporary_s[x]=s[1000*x:2048+1000*x]  #每个样本信号长度1000
           # temporary_s[x]=normalize(temporary_s[x])     #顺便对每个样本归一化
        results[i]=temporary_s


    return results


def make_datasets(org_samples):
    '''输入10*120*2048的原始样本，输出带标签的训练集(占75%)和测试集(占25%)'''

    train_x=np.zeros(shape=(10,90,2048))
    train_y=np.zeros(shape=(10,90,10))
    test_x=np.zeros(shape=(10,30,2048))
    test_y=np.zeros(shape=(10,30,10))
    for i in range(10):
        s=org_samples[i]
        #
        index_s = [a for a in range(len(s))]
        #shuffle(index_s) #打乱顺序
        s=s[index_s]
        # 对每种类型都划分训练集和测试集
        train_x[i]=s[:90]
        test_x[i]=s[90:120]
        # 填写标签
        label = np.zeros(shape=(10,))
        label[i] = 1
        train_y[i, :] = label
        test_y[i, :] = label

    #将十种类型的训练集和测试集分别合并并打乱
    x1 = train_x[0]
    y1 = train_y[0]
    x2 = test_x[0]
    y2 =