西安交通大学轴承数据集

西安交通大学轴承数据集

1.简介

由西安交通大学雷亚国课题组王彪博士整理。

  • 数据链接:
    XJTU-SY bearing datasets can be downloaded by one of the following links:

  • Website:
    http://biaowang.tech

  • Google Drive:

  • Dropbox:
    https://www.dropbox.com/sh/qka3b73wuvn5l7a/AADr6oXKbafhOlrBLCNgonzua?dl=0

  • MediaFire:
    http://www.mediafire.com/folder/m3sij67rizpb4/XJTU-SY_Bearing_Datasets

  • MEGA:
    https://mega.nz/#F!H7pnGKBK!PR8qUShaLlJjwrPf3SlBjw

  • Baidu Netdisk:
    https://pan.baidu.com/s/1OaY82azTXHBwjiCjA_jRcw

If you have any questions or suggestions, do not hesitate to contact:
Mr. Biao Wang, wangbiaoxjtu@outlook.com

本次实验所用的轴承加速退化测试平台由联合实验室设计,昇阳科技制造。该平台可以开展各类滚动轴承或滑动轴承的加速退化实验,获取轴承的全寿命周期监测数据。本次实验对象为LDK UER204滚动轴承,共设计了三类实验工况(35Hz12kN/37.5Hz11kN/40Hz10kN),每类工况下各测试5个轴承。

TABLE I OPERATINGCONDITIONS OF THETESTEDBEARINGS

Operating conditionRadial force(kN)Rotating speed (rpm)Bearing dataset
Condition 1122100Bearing 1_1 Bearing 1_2 Bearing 1_3 Bearing 1_4 Bearing 1_5
Condition 2112250Bearing 2_1 Bearing 2_2 Bearing 2_3 Bearing 2_4 Bearing 2_5
Condition 3102400Bearing 3_1 Bearing 3_2 Bearing 3_3 Bearing 3_4 Bearing 3_5

2.数据使用情况

  • B. W, Y. L, N. L, et al. A Hybrid Prognostics Approach for Estimating Remaining Useful Life of Rolling Element Bearings[J]. IEEE Transactions on Reliability, 2018:1-12.论文链接
  • Yaguo, L., et al., XJTU-SY Rolling Element Bearing Accelerated Life Test Datasets: A Tutorial. Journal of Mechanical Engineering, 2019. 55(16): p. 1.link
  • 18
    点赞
  • 20
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
要用Python实现西安交通大学轴承数据集的寿命预测代码,首先需要加载数据集并进行数据预处理。可以使用Python中的Pandas库来读取和处理数据,以及使用Scikit-learn库来进行机器学习建模。 步骤如下: 1. 导入所需的库: ```python import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression ``` 2. 加载数据集: ```python data = pd.read_csv("轴承数据集.csv") ``` 3. 数据预处理: 将数据集分为特征(X)和目标变量(y)。 ```python X = data.iloc[:, :-1] y = data.iloc[:, -1] ``` 4. 划分训练集和测试集: 将数据集分为训练集和测试集,一般将80%的数据作为训练数据,20%的数据作为测试数据。 ```python X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` 5. 构建线性回归模型: 使用线性回归模型进行寿命预测。 ```python regressor = LinearRegression() regressor.fit(X_train, y_train) ``` 6. 预测寿命: 使用训练好的模型对测试集进行预测,并评估模型的性能。 ```python y_pred = regressor.predict(X_test) ``` 7. 模型评估: 可以使用均方误差(Mean Squared Error)等指标来评估预测结果与真实值之间的差异程度。 ```python from sklearn.metrics import mean_squared_error mse = mean_squared_error(y_test, y_pred) print("均方误差:", mse) ``` 以上就是使用Python实现西安交通大学轴承数据集的寿命预测代码的步骤。实际应用中,可以根据具体情况选择合适的机器学习模型,并进行参数调优等后续处理,以提高预测准确性。

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

诊断之家

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
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