qq_40840797的博客

将故障区分为具体的不同类型：单相短路故障、两相接地短路故障、两相相间故障、三相相间短路故障。这里随意举出每种类别的两个样本进行展示。2.模型：CNN-Bigru-Attention模型，每类故障有1000个样本。售后包免费远程协助运行（用向日葵或者todesk软件协助）1.数据集介绍 （matlab仿真模型获取数据）3.效果（平均识别准确率为 99.31%）4.对项目感兴趣的，可以关注最后一行。混淆矩阵（以准确率形式呈现）

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200-299.jpg）是滚动体故障；其它负载（1HP,2HP,3HP数据集与此类似，不再列举）江南大学轴承数据集（600rpm数据集截止位置）2.1.灰度图像生成（待续）

是在600rpm,800rpm,1000rpm转速下采集的四种状态数据（正常、内圈故障、外圈故障和滚动体故障）以600转速数据集为例code.py是训练模型，测试模型脚本create_picture.py是小波变换，产生图像的程序GUI.py是呈现GUI界面，调用已经训练好的模型，对图像测试labels是create_picture.py运行时，产生的对应标签背景图片是GUI的背景。

是在0HP、1HP、2HP、3HP采集的四种状态数据（正常、内圈故障、外圈故障和滚动体故障）以0HP为例0HPimages文件夹装载小波变换生成的图像Inner、Normal、outer、 Roller分别放的是对应的原始数据code.py是训练模型，测试模型脚本create_picture.py是小波变换，产生图像的程序GUI.py是呈现GUI界面，调用已经训练好的模型，对图像测试labels是create_picture.py运行时，产生的对应标签背景图片是GUI的背景。

数据集替换提示：本次使用的数据集形式在1.2.小结中有详细介绍，利用一个通道采集的数据，通过1024的长度切割为一个个样本，是故障诊断领域常用的样本形式，如有类似，可轻易替换。第一个文件夹是测试样本第二个文件夹是对应的测试样本真实标签类别，方便你核对模型判断结果是否正确第一个文件夹如下图所示，每个样本就是一个表格。每个表格里就是1024个数据，如下图所示 ，也就是说只要你随表建立一个表格，里面放相关数据的1024个数据，就可以诊断出类别。关于背景图片和按钮框等选项都可以任意修改，已经添加中文注释，因为个人审

面铣的长度为 １０８ｍｍ 且 每 次 走 刀 时 间 相 等 ， 每次走刀后测量刀具的后刀面磨损量。数据量较大，因为本地电脑配置一般， 所以只用了c1数据集进行实验，只需要修改数据集路径，也可以调用c2-c6数据集。MSCNN_LSTM_Attention.py是读取原始数据，预处理，磨损状态分类的主程序。6次的数据集中 3次实验中有测量铣刀的磨损量，其他3次没有测量，作为比赛的测试集。version.py是查看你本地环境库的版本，为了方便你运行代码写的脚本。TensorFlow 版本: 2.4.0。

其中，第一列为水平方向的振动信号，第二列为竖直方向的振动信号。各个 csv 文件按采样时间先后顺序命名，即 1.csv，2.csv，…该实验平台由交流电动机、电动机转速控制器、转轴、支撑轴承、液压加载系统和测试轴承等组成，试验平台可调节的工况主要包括径向力和转速，其中径向力由液压加载系统产生，作用于测试轴承的轴承座上，转速由交流电机的转速控制器来设置与调节。如果库版本不一样， 一般也可以运行，这里展示我运行时候的库版本，是为了防止你万一在你的电脑上面运行不了，可以按照我的库版本进行安装并运行。

（第一个文件夹是轴承数据，第二个文件夹是齿轮数据，本次是针对轴承数据进行故障诊断）picture_CNN.py主要功能：首先利用1024的固定长度不重叠切割原始数据，生成一维样本，然后利用GAF将一维样本转变成二维图像的程序，然后利用CNN进行故障诊断。picture_CNN.py主要功能：首先利用1024的固定长度不重叠切割原始数据，生成一维样本，然后利用GAF将一维样本转变成二维图像的程序，然后利用CNN进行故障诊断。本实验主要是利用轴承数据(第一个文件夹的数据)进行故障诊断，轴承具体数据。

GAF的基本思想是将时序数据转换为角度矩阵，然后将这个矩阵可视化为图像。GAF的一种常见用法是在机器学习任务中，将时间序列数据转换为图像特征，然后使用这些特征进行分类、回归或聚类等任务。picture_CNN.py主要功能：首先利用1024的固定长度不重叠切割原始数据，生成一维样本，然后利用GAF将一维样本转变成二维图像的程序，然后利用CNN进行故障诊断。CWRU数据集，每份负载数据集以四分类为例：正常、内圈故障、外圈故障和滚动体故障，也可以考虑故障尺寸，自己改成十分类）每种负载下5次实验平均结果。

以传感器1（其它3个传感器跟传感器1采集时间和采样频率均相同）为例，所有数据展示（b:蓝色柱子为破损文件夹下的数据集，y轴为负载，横轴为采集点的个数）以512的固定长度切割信号，一共生成3941个样本（故障状态1960个样本，正常状态1981个样本，如SVM章节所示）以512的固定长度切割信号，一共生成3941个样本（故障状态1960个样本，正常状态1981个样本，如下图所示）一共是10列（每列里面有蓝色和黄色，蓝色为故障状态，黄色为健康状态），从负载0-负载90%。

code.py是主程序，主要功能：读取灰度图像数据集，利用局部二值模式(LBP)对灰度图像特征提取，突出故障特征，分成训练集和测试集（4:1），再利用 CNN进行特征提取。n1.数据集（凯斯西储大学CWRU数据集），四种负载下数据集，每种负载下分别有内圈故障，外圈故障，滚动体故障和正常四种状态。1HP测试集的混淆矩阵 （SVM分类器（C=100））1HP测试集的混淆矩阵 （SVM分类器（C=100））测试集的混淆矩阵 （SVM分类器（C=100））） 下的训练集和测试集的准确率曲线。

仿真模型分别获取单相接地故障、两相接地故障、两相间短路故障、三相接地故障、三相间短路故障和正常状态下的电流（Ia,Ib,Ic）大小和电压（Ua,Ub和Uc）大小。绘制关于"Ground Fault"的柱状图和饼图，以及关于"Line A"、"Line B"、"Line C"中Fault的柱状图和饼图。使用不同的机器学习模型，包括逻辑回归、决策树、随机森林、XGBoost和支持向量机进行训练和预测。合并不同列的Fault信息，创建一个新的列"Fault_Type"。绘制没有故障数据的电流和电压的分布图。

将故障区分为具体的不同类型：单相短路故障、两相接地短路故障、两相相间故障、三相相间短路故障。每类有1300行数据左右，这里随意举出每种类别的两个样本进行展示。对数据感兴趣的，可以关注最后一行。

分别获取单相接地故障、两相接地故障、两相间短路故障、三相接地故障、三相间短路故障和正常状态下的电流（Ia,Ib,Ic）大小和电压（Ua,Ub和Uc）大小。每种故障下获取1300行左右的数据。将故障区分为具体的不同类型（一共五种），再算上正常的状态，因此是六分类。这里随意举出每种类别的两个样本进行展示。对数据感兴趣的可以关注最后一行。数据表格（截止位置）数据表格（开始位置）

其它故障状态下分别采集了140801行数据左右 ，因为现实中故障数据相比正常数据难以获得，所以实验室里采集的正常电机的信号比故障下的信号要多。过载和过热：电机长时间运行在超过额定负载或者额定温度的情况下，会导致电机过热，进而加速其它故障的发生。风扇故障：风扇是电机散热的重要组成部分，若风扇故障导致散热不良，电机温度升高，从而加剧其它故障。绕组故障：电机的绕组可能出现短路、开路或者匝间故障，这些故障会导致电机失去正常运转能力。频率变化：对于变频驱动的电机，频率的变化可能导致电机在某些转速下共振，损坏电机。

第十一个文件：vedio.mp4，是以一帧一秒的速度，将一个个的图像经vedio_creat.py处理后，生成视频，以模拟现场工业采集的信号经小波变换生成的视频，做的实时检测。第四个文件夹（picture）是包含训练集和测试集，hf.py脚本对cocofisher_pic文件夹进行操作，生成训练集和测试集。第三个文件夹是随意选取四种不同类型下的图像样本放在该文件夹下，供vedio_creat.py文件生成视频，即vedio.mp4.CWT.py文件夹对原始数据处理后，生成的时频图保存在文件夹。

使用凯斯西储大学轴承数据集，一共有4种（0hp/1hp/2hp/3hp）负载下采集的数据，每种负载下有10种 故障状态：三种不同尺寸下的内圈故障、三种不同尺寸下的外圈故障、三种不同尺寸下的滚动体故障和一种正常状态。data文件夹装的是原始数据和经process_data.py处理后的数据样本，每个样本长度为1024，并将样本分为训练集、验证集和测试集。4.效果，平均准确率在99.479%以上，这里以0hp和1hp数据集下实验结果为例进行展示。result文件夹装的是每次运行实验保存的结果。

读取了两个CSV文件（Overview.csv和CurrentVoltage.csv），将它们转换为DataFrame，并对其中的日期时间列进行了格式转换。：使用matplotlib和seaborn库绘制了多个图表，包括散点图、折线图、计数柱状图和饼图，来可视化不同传感器数据的变化趋势、分布情况等。：导入了所需的数据处理、数据可视化和机器学习相关的库，并进行了matplotlib和seaborn的样式和参数配置。第二个文件打开 （6列特征，最后一列是标签，正常状态为0，故障为1）

code_30.py是只使用30_2工况下ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集诊断。code_20.py是只使用20_0工况下ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集诊断。3.1.使用ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集。每种工况下有：ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)

其它故障状态下分别采集了140801行数据左右 ，因为现实中故障数据相比正常数据难以获得，所以实验室里采集的正常电机的信号比故障下的信号要多。过载和过热：电机长时间运行在超过额定负载或者额定温度的情况下，会导致电机过热，进而加速其它故障的发生。风扇故障：风扇是电机散热的重要组成部分，若风扇故障导致散热不良，电机温度升高，从而加剧其它故障。绕组故障：电机的绕组可能出现短路、开路或者匝间故障，这些故障会导致电机失去正常运转能力。频率变化：对于变频驱动的电机，频率的变化可能导致电机在某些转速下共振，损坏电机。

该数据集包含2个子数据集，包括轴承数据和齿轮数据，这两个子数据集都是在传动系动力学模拟器（DDS）上获取的。（第一个文件夹是轴承数据，第二个文件夹是齿轮数据，本次是针对齿轮数据进行故障诊断）在每个文件中，有8行信号，分别表示：x、y和z三个方向上行星齿轮箱的1-电机振动、2、3、4-振动、5-电机扭矩、x、y和z三个方向上并联齿轮箱的6、7、8-振动。有两种工况，转速-负载配置设置为20-0和30-2。code20_0.py是20_0工况下故诊断代码。code30_0.py是30_2工况下故诊断代码。

data_creat.py是将每类下的6个通道信息合并在一起，并保存在.npy里面（例如，正常数据集的6个通道信息经过data_creat.py处理后，合并在normal.npy文件中。每种类型下采集6种通道信号，这里以侧推失效故障数据文件夹为例，打开文件夹后有6个.mat文件，分别是6种不同通道下采集的信号。发动机故障：船舶推进系统通常由内燃机、柴油机或蒸汽涡轮机等发动机驱动，故障可能包括燃料供应问题、点火问题、冷却系统故障等。燃油污染：燃油质量不良或燃油污染可能导致发动机性能下降，甚至引发发动机故障。

文章前言：其实很多优化算法PSO，GA，GWO等等算法，都有一些相似之处，只要学会其中一种优化算法用在。数据介绍：这里为了方便大家简单直接运行代码并理解，采用的输入数据是两列输入值，可以根据自己需求替换。的框架结构，再把其他的优化算法依葫芦画瓢套进去即可。所以这里用SSA算法做个模板，效果如下图。运行代码版本要求：2106b版本以上。

1.主要介绍：完整代码见SourceCode文件夹，数据见data文件夹 BP神经网络样本集见label文件夹，BP网络模型见model文件夹 本系统实现了时域分析、频域分析、基于BP神经网络的故障诊断三个功能，可以点击主界面上方按钮切换功能页。 **注意：**如果编译源码失败，请将文件夹FFTW_dll中的文件复制到构建文件夹中 功能展示与使用说明： 2.频域分析点击频域分析按钮，进入频域分析界面 点击读取文件，选择数据文件 对应画图框绘制离散傅里叶变换幅值谱线 可以..

将故障区分为具体的不同类型：单相短路故障、两相接地短路故障、两相相间故障、三相相间短路故障。这里随意举出每种类别的两个样本进行展示。2.模型：BP网络，每类故障有1000个样本。3.效果（平均识别准确率为95.304%）

使用凯斯西储大学轴承数据集，一共有4种负载下采集的数据，每种负载下有10种 故障状态：三种不同尺寸下的内圈故障、三种不同尺寸下的外圈故障、三种不同尺寸下的滚动体故障和一种正常状态。3HP数据集(训练集与测试集比例为7:3)，测试集准确率为99.96%2HP数据集(训练集与测试集比例为7:3)，测试集准确率为99.66%1HP数据集(训练集与测试集比例为7:3)，测试集准确率为99.66%0HP数据集(训练集与测试集比例为7:3)，测试集准确率为99.60%2.模型（二维CNN）

【代码】小波分解机械信号。

以0HP文件夹为例，打开后的子文件序列，1HP/2HP/3HP子文件类似，creat_picture.py是生成图片程序。对比模型CNN效果较差 ，只能将迭代次数改为100，方能稳定些，但是效果还是没有VGG16模型好。VGG16文件夹装的VGG16模型对各种负载下的实验程序。CNN文件夹装的对比模型普通CNN对各种负载下的实验程序。0HPimages文件夹装的生成图片。训练集和测试集来自不同负载。

2.生成的图像（可以看出不同故障样本的图像差异较为明显，可以得出时频变换技术的有效）3.效果图（以0HP数据集为例）

使用凯斯西储大学轴承数据集，一共有4种负载下采集的数据，每种负载下有10种 故障状态：三种不同尺寸下的内圈故障、三种不同尺寸下的外圈故障、三种不同尺寸下的滚动体故障和一种正常状态。3HP数据集(训练集与测试集比例为7:3)，测试集准确率为100.00%0HP数据集(训练集与测试集比例为7:3)，测试集准确率为100.00%2HP数据集(训练集与测试集比例为7:3)，测试集准确率为99.86%1HP数据集(训练集与测试集比例为7:3)，测试集准确率为100%对代码和数据感兴趣的可以关注。

模型：EfficientNetB0（利用imagenet训练好的参数，冻结高层，只将分类器的参数利用训练集微调，利用整个模型对测试集识别）1. 训练集数量（正常类别：10个，内圈故障：10个，外圈故障：10个，滚动体故障：10个）测试集数量（正常类别：90个，内圈故障：90个，外圈故障：90个，滚动体故障：90个）Roller文件夹里装的是滚动体故障的.mat保存的数据。Inner文件夹里装的是内圈故障的.mat保存的数据。Outer文件夹里装的是外圈故障的.mat保存的数据。

使用凯斯西储大学轴承数据集，一共有4种负载下采集的数据，每种负载下有10种 故障状态：三种不同尺寸下的内圈故障、三种不同尺寸下的外圈故障、三种不同尺寸下的滚动体故障和一种正常状态。3HP数据集(训练集与测试集比例为7:3)，测试集准确率为100.00%0HP数据集(训练集与测试集比例为7:3)，测试集准确率为100.00%2HP数据集(训练集与测试集比例为7:3)，测试集准确率为99.83%1HP数据集(训练集与测试集比例为7:3)，测试集准确率为99.46%2.模型（1DCNN）

经过不重叠切割（1024长度），每种类别下有5000个样本（训练集和测试集比例：4:1），20_0和30_2两种工况数据集下均有4种故障类型、1种正常类型。该数据集包含2个子数据集，包括轴承数据和齿轮数据，这两个子数据集都是在传动系动力学模拟器（DDS）上获取的。（第一个文件夹是轴承数据，第二个文件夹是齿轮数据，本次是针对齿轮数据进行故障诊断）在每个文件中，有8行信号，分别表示：x、y和z三个方向上行星齿轮箱的1-电机振动、2、3、4-振动、5-电机扭矩、x、y和z三个方向上并联齿轮箱的6、7、8-振动。

【代码】利用小波分解信号，再重构。

代码实现了一个基于DAE的分类模型，用于对给定数据集进行分类。首先，通过DAE模型对原始数据进行特征提取和降维，然后使用分类模型将提取的特征与标签相匹配，以便对新数据进行分类。2.效果（展示图中epoch为1000,当epoch为2000更佳）1.网络模型(数据集为CWRU)2.2.0HP训练集损失曲线。2.3.0HP测试集准确率曲线。2.4.0HP测试集损失曲线。2.1.0HP训练集曲线。

2.这里以0HP文件夹为例，进行展示，有内圈故障，正常，外圈故障和滚动体故障四个文件夹。1.数据集介绍：凯斯西楚大学轴承数据集（12KHZ采样频率下，四种不同负载数据集）内圈故障文件夹下有三个不同尺寸的.mat数据保存文件。每个.mat文件有DE和FE端两通道数据。外圈故障类别下的图像。滚动体故障类别下的图像。内圈故障类别下的图像。

该数据集是从渥太华大学采集的轴承振动信号，这些信号是在时间变化的转速条件下收集的。数据集包含4个不同引擎的每个引擎的12秒信号数据。采样频率为10000。总体来说，这段代码涉及了时间序列数据的处理、特征提取、模型拟合、分类预测等步骤，并通过可视化展示了各个阶段的结果和评估指标。

第一份数据集表格（只分正常和故障状态（故障状态包好所讲的五种故障状态）两种类型）。第一列是标签：0代表正常，1代表故障，其余列是特征。分别获取单相接地故障、两相接地故障、两相间短路故障、三相接地故障、三相间短路故障和正常状态下的电流（Ia,Ib,Ic）大小和电压（Ua,Ub和Uc）大小。2.第二份是将故障区分为具体的不同类型（一共五种），再算上正常的状态，因此是六分类。3.2 将数据集分为训练集和测试集（4:1），建立模型。随机森林模型测试集结果 （识别准确率为87.79%）测试集结果（混淆矩阵）

main_0HP.py、main_1HP.py、main_2HP.py和main_3HP.py是故障诊断主程序，分别对应不同负载的数据，这四个程序只有数据调取路径这行代码不一样，其它部分都相同，只是担心新手不会修改数据路径，因此分成了四个脚本。preprocess.py是数据预处理程序，将原始数据变成一个个样本，被主程序调用。data文件夹装载的是凯斯西楚大学（CWRU）轴承数据集。运行环境库要求：TensorFlow>=2.4.0即可。以0HP文件夹为例，进行展示。

1.结果图2.数据介绍：训练集数据训练集标签测试集数据3.代码。