文章目录
项目介绍
在用深度学习对故障信号进行分类时,有时我们是通过时频图作为神经网络的输入的。另外,通常来说在一个实验中会安放超过一个传感器输出信号,那么如何从几段信号中利用小波变换输出几个不同的时频图、合并这些图片并把所有合并的图片保存起来制作数据集将是我们的第一步任务。
总结来说,我们的任务为:
- 1、将一个轴承的 N 个传感器返回的原始信号分成 m 小段,则一共得到 Nxm 段信号;
- 2、得到这 Nxm 段信号的时频图;
- 3、将属于同一段信号的 N 个时频图合并当作一个样本,则最终得到 m 个样本。
项目准备
在此文章中,我们使用凯斯西储大学轴承数据集举例,该数据集介绍可以参考美国西储大学轴承数据解读,在此文章中,我们只对 12K 采样频率下的驱动端轴承故障数据进行分类。
另外,当提及外圈故障时,我们只考虑中心方向 @6:00 的外圈故障,且因为故障直径为 0.7112mm 的数据不全,我们只是用其他三种故障直径的数据,这些数据如下图所示: