PHM2010铣刀数据集磨损状态识别可做点介绍

PHM2010铣刀数据集磨损状态识别可做点介绍

基于深度学习/机器学习的方法大致都可以分为三个步骤

数据预处理

铣刀数据集共采集有7个通道的信号，因采样频率高，采集的点数过多，因此可从以下几点入手：

输入信号数量入手，7个传感器，三种类型，可从此方面入手

传感器数量

数据预处理，如降噪，分解重构等（结合信号处理知识）

emd降噪，vmd降噪等

信号异常点（离群点等）去除，从异常点检测的角度入手

四分位数法等

一维数据转二维图像的角度入手，如一些常见的时间序列成像方法

格拉姆角场、递归图、短时傅里叶变换、连续小波变换等

特征提取

时域、频域、时频域特征提取，或各种自编码器深层特征提取，也可结合其它方法

模型

模型方面可做点就非常多了

机器学习模型

SVM、KNN等

深度学习模型

CNN、GNN等

机器学习模型联合深度学习模型

CNN+SVM

模型某层特征可视化

聚类方法：t-sne聚类等

输出

确定刀具磨损阶段

可分为3、4、5阶段。对阶段划分的合理性进行解释，如磨损曲线的斜率等其他因素。

样本数量

分为多个阶段时，可能某个阶段的样本数量过少。考虑从样本扩充，样本不平衡入手。

迁移学习

nasa的刀具数据集，phm2010数据集，以及其他结构或自己做的数据集可以联合使用，进行基于迁移学习的故障诊断。

phm2010数据集链接

链接：https://pan.baidu.com/s/1aiRsda_qKc75EdnJOs-RzQ?pwd=mmbj 
提取码：mmbj