【代码bug消除】PHM 2012轴承数据读取和XJTU-SY轴承数据读取(三)

PHM 2012轴承数据读取和XJTU-SY轴承数据读取——三

numpy的fft函数替换

原本的的是np.fft ,这个运行后报错如下:

### FFT变换后保存下数据
N = 2560
T = 1.0 / 25600.0
x = np.linspace(0.0, N*T, N)

for i in range(len(all_hor_data)//N):
    y = all_hor_data[2560*i:(2560*i+2560)]
    yf = 2.0/N * np.abs(np.fft(y)[0:N//2])

TypeError: 'module' object is not callable

需要修改成新的numpy.fft.fft(),也即把代码中的np.fft修改成np.fft.fft()


for i in range(len(all_hor_data)//N):
    y = all_hor_data[2560*i:(2560*i+2560)]
    yf = 2.0/N * np.abs(np.fft.fft(y)[0:N//2])
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
首先,我们需要导入所需的库和数据集。假设我们已经将数据集保存在名为`phm_data.csv`的文件中。 ```python import pandas as pd import numpy as np from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error # 加载数据集 data = pd.read_csv('phm_data.csv') ``` 接下来,我们需要对数据进行预处理。首先,我们要移除数据集中的无关列,保留与寿命预测有关的列。假设我们的数据集中有以下列: | 列名 | 描述 | | --- | --- | | id | 轴承的唯一标识符 | | cycle | 操作周期数 | | op_setting_1 | 操作设置1 | | op_setting_2 | 操作设置2 | | op_setting_3 | 操作设置3 | | sensor_1 | 传感器1读数 | | sensor_2 | 传感器2读数 | | ... | ... | | sensor_21 | 传感器21读数 | | RUL | 剩余寿命(我们要预测的目标值) | 我们需要移除`id`列和所有`op_setting`列,因为这些列与寿命预测无关。 ```python # 移除无关列 data = data.drop(['id', 'op_setting_1', 'op_setting_2', 'op_setting_3'], axis=1) ``` 接下来,我们要对数据进行标准化,以便在训练模型之前进行固定特征提取。 ```python # 将数据标准化 scaler = StandardScaler() data_scaled = scaler.fit_transform(data) # 将标准化后的数据转换为 pandas DataFrame data_scaled = pd.DataFrame(data_scaled, columns=data.columns) ``` 然后,我们可以使用PCA(主成分分析)算法进行固定特征提取。PCA算法可以将高维数据降至低维,并保留最具代表性的特征。 ```python from sklearn.decomposition import PCA # 创建 PCA 模型 pca = PCA(n_components=10) # 用标准化后的数据拟合 PCA 模型 pca.fit(data_scaled) # 对标准化后的数据进行 PCA 变换 data_pca = pca.transform(data_scaled) # 将 PCA 变换后的数据转换为 pandas DataFrame data_pca = pd.DataFrame(data_pca) ``` 最后,我们可以使用线性回归模型来预测轴承的寿命,并评估模型性能。 ```python # 将数据集拆分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(data_pca, data['RUL'], test_size=0.2, random_state=42) # 创建线性回归模型 model = LinearRegression() # 用训练数据拟合模型 model.fit(X_train, y_train) # 在测试集上进行预测 y_pred = model.predict(X_test) # 计算均方根误差 rmse = np.sqrt(mean_squared_error(y_test, y_pred)) print('均方根误差:', rmse) ``` 这就完成了固定特征提取和寿命预测的代码。你可以根据自己的需求进行调整和优化。

“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 3
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

风筝不是风

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