1.基于深度学习的轴承故障诊断--凯斯西储大学轴承数据集介绍

已于 2022-05-24 16:09:16 修改 7378 收藏 34
分类专栏： 基于深度学习的轴承故障诊断 文章标签： cnn 人工智能 神经网络
于 2020-12-23 08:52:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38918049/article/details/111571603
版权

本章主要介绍来自凯斯西储大学的轴承实验数据

下载地址

西储大学下载地址：http://csegroups.case.edu/bearingdatacenter/pages/download-data-file

该网站提供对轴承和轴承故障的测试数据。使用2马力信实电机进行了实验，并在电机轴承附近和远离电机轴承的位置测量了加速度数据。这些网页是独特的，因为电机的实际测试条件以及轴承故障状态已被仔细记录为每个实验。

采用电火花加工（EDM）对电机轴承进行故障诊断。分别在内滚道、滚动体(球体)和外滚道引入直径为0.007英寸至0.040英寸的故障。将故障轴承重新安装到试验电机中，记录0-3马力（电机转速为1797-1720RPM）的电机负载的振动数据。

项目历史

为了验证新技术、新理论和新技术，经常需要进行实验。这些电机轴承试验是为了表征在洛克韦尔开发的电机轴承状态评估系统IQ PreAlert的性能而开始的。从最初的动力开始，实验程序已经扩展以提供马达性能数据库，该数据库可用于验证和/或改进许多马达状态评估技术。最近或当前正在使用这个数据库的一些项目包括：Winsnode状态评估技术、基于模型的诊断技术和电机速度确定算法。

Apparatus & Procedures

如上面的图1所示，测试台由2马力的电机（左）、扭矩传感器/编码器（中心）、测力计（右）和控制电子（未示出）组成。测试轴承支撑电机轴。采用电火花加工将单点故障引入试验轴承，故障直径为7密耳、14密耳、21密耳、28密耳和40密耳(1密耳=0.001英寸)。参见故障深度的故障规范。对于7、14和21密耳的直径故障，使用SKF轴承，对于28密耳和40密耳的故障使用NTN等效轴承。驱动端和风扇端轴承规范，包括轴承几何形状和缺陷频率列在轴承规范。

使用加速度计收集振动数据，加速度计连接到具有磁性基底的壳体。加速度计被放置在电机壳体的驱动端和风扇端的十二点位置。在一些实验中，加速度计也安装在电机支撑基板上。使用16通道DAT记录器采集振动信号，并在Matlab环境中进行后处理。所有数据文件都在Matlab（*.Mat）格式中。以每秒12000个样本收集数字数据，以每秒48000个样本收集驱动端轴承故障。使用扭矩传感器/编码器收集速度和马力数据，并用手记录。

外滚道故障是静止故障，因此故障相对于轴承负载区的布置直接影响电机/轴承系统的振动响应。为了量化这种影响，在三点钟(直接在加载区)、六点钟(与负载区正交)和12点钟，对具有外滚道故障的风扇和驱动端轴承进行了实验。

下载数据文件

数据收集的正常轴承，单点驱动端和风扇端部缺陷。数据收集在12000个样本/第二次和48000个样本/秒的驱动端轴承实验。所有风扇端轴承数据收集在12000个样本/秒。

数据文件采用Matlab格式。每个文件包含风扇和驱动端振动数据以及电机转速。对于所有文件，变量名称中的以下项表示：

DE去驱动端加速度计数据

Fe端加速度计数据

BA基加速度计数据

时间-时间序列数据

测试期间的RPM - RPM
 

阅读终点，创作起航，您可以撰写心得或摘录文章要点写篇博文。去创作
秋雨行舟
关注
  • 8
    点赞
  • 踩
  • 34
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 10
    评论
专栏目录
西储大学轴承数据中心全部数据
04-03
这个是西储大学轴承数据中心的全部数据，是做轴承数据分析和故障诊断的经典测试数据，以前找半天都要积分，终于有一天我写代码全下下来了，免费分享 官方网址如下： https://csegroups.case.edu/bearingdatacenter/pages/welcome-case-western-reserve-university-bearing-data-center-website 因为上传大小的限制，压缩成了7z,各位下载一个7z、bandizip等解压软件就能打开。
凯斯西储大学轴承数据集说明文件.docx
04-22
针对凯斯西储大学轴承数据集的描述
凯斯西储大学轴承数据集批量处理为时频域图片（十分类）
最新发布
weixin_64023824的博客
07-05 237
对西储大学轴承故障进行小波变换得到时频图，可用于十分类
CWRU（凯斯西储大学） 轴承数据集简介
zhulewen的博客
07-13 1万+
凯斯西储数据集介绍
凯斯西储大学轴承数据介绍及处理
zhulewen的博客
07-17 1万+
凯斯西储大学轴承数据介绍及处理
凯斯西储大学轴承故障诊断数据集详解
332295505的博客
04-15 2669
本文详细介绍了凯斯西储大学轴承故障诊断数据集，包括数据集的来源、结构、特点、实验环境以及在轴承故障诊断研究中的应用。凯斯西储大学数据集是轴承故障诊断领域最为著名和广泛使用的数据集之一，为研究者提供了丰富的实验数据和实践平台，有助于推动轴承故障诊断技术的发展和创新。
基于连续小波变换和卷积神经网络的轴承故障诊断研究
qq_36865346的博客
04-11 7419
摘要 基于凯斯西厨大学的轴承数据，首先利用数据增强方法，对原始数据进行重叠采样，增加样本数量。然后，利用连续小波变换，将一维的训练样本转换为二维RGB图像。其次，将处理好的样本进行样本分割为训练集、测试集，输入到卷积神经网络训练。最后，利用T-SNE降维算法对模型指定网络层进行动态可视化显示。 数据集 引入了由美国凯斯西储大学(CWRU)数据中心获得的轴承故障基准数据集。采用实验试验台（如图1所示）对轴承缺陷检测信号进行检测。该平台由一个 1.5W 的电动机（左）、扭矩传...
凯斯西储大学轴承故障数据集解读（新手版）
热门推荐
qq_35789702的博客
07-05 3万+
最近真是学到一头雾水，光理解凯斯西储大学的轴承数据集就花了好长时间，下载干巴巴的数据集，啥也看不懂，对着论文就更加迷茫（翻白眼儿）。 下面就把我理解的那啥啥整理一下： CWRU链接 提取码：orx3 适合新手进行简单的故障识别实验 打开是这样婶儿的： 12DriveEndFault是12KHZ的驱动端故障数据， 1797代表点电机转速1797转/min， NormalBaseline就是正常的数据， .mat格式可以用MATLAB打开 下面是故障数据： 因为轴承主要有三类故障，内圈（InnerRace）
Python-爬虫-凯斯西储轴承数据下载
weixin_44513746的博客
11-01 681
使用python下载CWRU（凯斯西储）轴承数据（含程序），及数据文件分享及汇总。
手把手教你：基于深度学习的滚动轴承故障诊断
大雾的小屋的博客
09-18 2万+
本文主要介绍如何使用python搭建：一个基于深度学习的滚动轴承故障诊断系统 项目中涉及使用了多种方法对比检测结果，包括： 传统机器学习方法：随机森林 深度学习方法：CNN 增加残差模块后的深度学习方法：ResNet 如各位童鞋需要更换训练数据，完全可以根据源码将图像和标注文件更换即可直接运行。
西储大学轴承数据.7z
11-18
美国凯斯西储大学轴承数据中心全部数据 附带说明文档 CWRU数据集
工业故障检测-基于深度学习1DCNN轴承故障诊断源码-仿真数据集CWRU-一维CNN(新毕设项目).zip
04-21
工业故障检测-基于深度学习1DCNN轴承故障诊断源码_仿真数据集CWRU_一维CNN(新毕设项目).zip 【项目说明】 本项目为一维CNN用于工业故障检测 使用的数据集为仿真数据集为CWRU（凯西私储大学的公开轴承数据集） 代码含有详细注释，易读易懂！ 本项目为一维CNN用于工业故障检测 使用的数据集为仿真数据集为CWRU（凯西私储大学的公开轴承数据集） 代码含有详细注释，易读易懂！ 本项目为一维CNN用于工业故障检测 使用的数据集为仿真数据集为CWRU（凯西私储大学的公开轴承数据集） 代码含有详细注释，易读易懂！ 本项目为一维CNN用于工业故障检测 使用的数据集为仿真数据集为CWRU（凯西私储大学的公开轴承数据集） 代码含有详细注释，易读易懂！
凯斯西储大学（CWRU）滚动轴承数据
04-22
数据集：凯斯西储大学（CWRU）滚动轴承数据中心 数据网址：https://csegroups.case.edu/bearingdatacenter/pages/download-data-file 试验对象：驱动端轴承，被诊断的轴承型号为深沟球轴承 SKF6205，有故障的轴承由电火花加工制作而成，系统的采样频率为 12kHz。被诊断的轴承一共有 3 种缺陷位置，分别是滚动体损伤，外圈损伤与内圈损伤，损伤直径的大小分别为包括 0.007inch, 0.014inch 和 0.021inch，共计 9 种损伤状态。
轴承故障诊断+1DCNN+深度学习+故障分类
02-09
基于1DCNN的轴承故障诊断，在CWRU数据集上进行验证，下载即可跑通，可作为baseline。同时具有抗噪实验功能，能输出各个混淆矩阵、训练时间和测试时间。 有详细注释，同时可讲解代码。 参考毕业论文《基于卷积神经网络的轴承故障诊断算法研究_张伟》 参考github: https://github.com/AaronCosmos/wdcnn_bearning_fault_diagnosis
凯斯西储大学(CWRU)轴承数据集（含数据包+整理Python程序+使用说明）
10-12
CWRU数据集数据整理程序+下载好的数据包（防止程序中的下载部分出现bug）+数据使用说明，个人研究正在使用，可直接用（请将解压后的所有文件和故障诊断程序放在同一个目录下）
12k Drive End Bearing Fault Data凯斯西储大学轴承数据.rar
08-16
12k Drive End Bearing Fault data---DE驱动端12k数据集。
12k Fan End Bearing Fault Data凯斯西储大学轴承数据.rar
08-16
12k Fan End Bearing Fault Data凯斯西储大学轴承数据风扇端12k的数据集。
西储大学轴承数据_凯斯西储大学轴承数据库解读
weixin_39684495的博客
12-04 4058
1 凯斯西储大学介绍凯斯西储大学(Case Western Reserve University，简称CWRU)，是美国一所私立研究型大学，位于俄亥俄州的克里夫兰大学城。CWRU拥有美国大学协会的会员资格，并获得了高等教育委员会和数个全国性的专业认可协会的充分认可。凯斯西储大学成立于1967年，是凯斯理工学院(由慈善家伦纳德·凯斯创立于1880)和西储大学(在1826年创立于康乃狄克西部...
西储大学轴承数据集
qq_52119136的博客
12-14 3873
对于西储大学轴承数据集的理解和处理！
用gru代码对美国凯斯西储大学轴承故障数据集进行故障诊断
05-31
以下是使用 PyTorch 实现 GRU 模型对美国凯斯西储大学轴承故障数据集进行故障诊断的示例代码： ```python import torch import torch.nn as nn import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler # 读取数据 data = pd.read_csv('K001_1_48k_0_12hp_B_C3_0.csv', header=None) data = data.values[:, 1] data = data.reshape(-1, 1) # 数据预处理 scaler = MinMaxScaler(feature_range=(-1, 1)) data_scaled = scaler.fit_transform(data) # 定义超参数 input_size = 50 hidden_size = 32 num_layers = 2 output_size = 1 learning_rate = 0.001 num_epochs = 100 # 创建训练数据集 X = [] y = [] for i in range(input_size, len(data_scaled)): X.append(data_scaled[i-input_size:i]) y.append(data_scaled[i]) X, y = np.array(X), np.array(y) # 划分训练集和测试集 train_size = int(len(data_scaled) * 0.8) X_train, X_test = X[:train_size], X[train_size:] y_train, y_test = y[:train_size], y[train_size:] # 创建数据加载器 train_data = torch.utils.data.TensorDataset(torch.from_numpy(X_train).float(), torch.from_numpy(y_train).float()) train_loader = torch.utils.data.DataLoader(train_data, batch_size=32, shuffle=True) # 定义 GRU 模型 class GRU(nn.Module): def __init__(self, input_size, hidden_size, num_layers, output_size): super(GRU, self).__init__() self.hidden_size = hidden_size self.num_layers = num_layers self.gru = nn.GRU(input_size, hidden_size, num_layers, batch_first=True) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x, h0): out, h = self.gru(x, h0) out = self.fc(out[:, -1, :]) return out, h model = GRU(input_size, hidden_size, num_layers, output_size) # 定义损失函数和优化器 criterion = nn.MSELoss() optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate) # 训练模型 for epoch in range(num_epochs): for i, (inputs, labels) in enumerate(train_loader): # 前向传播 outputs, _ = model(inputs, None) loss = criterion(outputs, labels) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() if (i+1) % 10 == 0: print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, i+1, len(train_loader), loss.item())) # 预测测试集 with torch.no_grad(): inputs = torch.from_numpy(X_test).float() outputs, _ = model(inputs, None) predicted = scaler.inverse_transform(outputs.numpy()) actual = scaler.inverse_transform(y_test) # 计算 R2 得分 from sklearn.metrics import r2_score print('R2 score:', r2_score(actual, predicted)) ``` 在上述代码中，我们首先读取了凯斯西储大学轴承故障数据集，并进行了数据预处理。然后，我们定义了超参数，包括输入大小、隐藏层大小、层数、输出大小、学习率和训练轮数。接着，我们创建了训练数据集和数据加载器，并定义了 GRU 模型、损失函数和优化器。在训练循环中，我们对每个 mini-batch 执行前向传播、损失计算、反向传播和优化。在预测测试集时，我们使用训练好的模型进行前向传播，并将预测结果反归一化。最后，我们计算模型在测试集上的 R2 得分。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 10
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

秋雨行舟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值