一维信号转成二维图像方法总结（Python代码，不涉及TensorFlow或者pytorch框架）

为方便替换自己的数据集，每种方法都用了两种不同保存格式的数据集

1.连续小波变换（母小波函数： wavename='cmor3-3',可以修改为其它的）

1.1.CWRU(凯斯西储数据集)，原始数据为.mat数据保存

以0HP数据集为例，

 首先对原始数据进行不重叠样本切割（1024的长度） ，正常、内圈故障、滚动体故障和外圈故障每类取100个样本，然后将一维样本经过小波变换转变成图像，也就是生成400张照片，前100张（图像名称0-99.jpg）是正常类型图像，（图像名称100-199.jpg）是内圈故障；（图像名称200-299.jpg）是滚动体故障；（图像名称300-399.jpg）是外圈故障。

目前图像大小是（8,4），代码里有注释，可以修改。

0HP数据集开始位置

0HP数据集截止位置 

 其它负载（1HP,2HP,3HP数据集与此类似，不再列举）

1.2.JNU数据集（江南大学轴承数据集）,表格.csv文件

以600rpm转速数据集为例

 首先对原始数据进行不重叠样本切割（1024的长度） ，正常、内圈故障、滚动体故障和外圈故障每类取150个样本，然后将一维样本经过小波变换转变成图像，也就是生成600张照片，前150张（图像名称0-149.jpg）是正常类型图像，（图像名称150-299.jpg）是内圈故障；（图像名称300-449.jpg）是滚动体故障；（图像名称450-599.jpg）是外圈故障。

目前图像大小是（8,4），代码里有注释，可以修改。

江南大学轴承数据集（600rpm数据集开始位置）

江南大学轴承数据集（600rpm数据集截止位置） 

对项目感兴趣的，可以关注（两个数据集变换在一起的压缩包）

import numpy as np 
import pandas as pd
#from sklearn.model_selection import train_test_split
from collections import Counter
import pywt
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
#压缩包：https://mbd.pub/o/bread/mbd-ZZ2Ykplt

2.1.灰度图像生成（待续）

3.1.格拉姆角场（待续）

4.1马尔科夫变迁场（待续）

5.1.傅里叶变换（待续）