时间序列成像之灰度图

最近读了一篇轴承故障诊断的文章，通过将一维数据转化为二维灰度图，然后使用CNN进行训练。

文章名为：基于双通道 CNN 与 SSA-SVM 的滚动轴承故障诊断

具体原理如下：

1.数据归一化：选择长度为1024的信号，并将次信号归一化到[0,1]的范围。

2.分组：将归一化的数据按顺序分为32组，每组有32个数据点。

3.形成二维矩阵:将这32组数据按顺序沿列方向依次拼接，形成形状为32*32的二维矩阵。

4.将二维矩阵转换为灰度图，灰度图的明暗由该点元素大小决定。

下为转换示意图：

代码实现：

数据转换这部分代码实现比较简单，使用reshape并转置即可

data_reshaped = data.values.reshape(32, 32).T

然后使用matplotlib库把data_reshape转换为灰度图就可以了。

plt.imshow(data_reshaped, cmap='gray', interpolation='nearest')

下面是我使用其他数据生成的灰度图

这也是一种可行的时间序列成像方法（至少有论文佐证）

上述文章一维数据转换的方法和论文“Application of Multiscale Learning Neural Network Based on CNN in Bearing Fault Diagnosis”的方法一致。

但两种方法分组拼接方式不一致，中文方法是沿着列方向将每组拼接在一起，英文是沿着行方向将每组拼接在一起。下图为英文拼接方式示意图：

可以看出，两者原理一致，仅拼接方向不同。