数据分析实验

工业数据分析应用

1.实验内容：

标记数据记录了正常轴承和受损轴承的转速信号波动情况，请用傅里叶变换构建分类特征，实现对轴承受损的分类识别

首先介绍一下要用到的原理👇

• 傅里叶变换的原理

      傅里叶变换是一种数学工具，用于将一个时间域信号变换到频率域。它可以将满足一定条件的某个函数表示成三角函数(正弦和/或余弦函数)或者它们的积分的线性组合。傅里叶变换的基本原理是将一个复 杂的周期信号分解为若干个简单的正弦或余弦信号的叠加，这些简单的正弦或余弦信号的频率就是原信号的各个频率分量。

• 傅里叶变换应用

     信号处理:傅里叶变换可以将-个时间域信号变换到频率域，使得我们可以更容易地观察和理解信号的特性。例如，有些信号在时间域上很难看出特征，但是当转换到频率域一些特 征就会变得明显。

2.思路：

1.读取数据:从文件中读取了异常信号和正常信号的数据

2.使用傅里叶变换提取特征:对转速信号进行傅里叶变换，并取其幅度作为特征。

3.构建特征集和标签集:将提取的特征与标签整合在一起

4.划分训练集和测试集:将特征集和标签集划分为训练集和测试集

5.训练决策树模型:使用训练集训练出决策树分类模型

6.预测并计算准确率:使用测试集对模型进行评估，计算模型准确率

3.代码实现：

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

X = []
y = []
#异常信号
plt.figure(figsize=(15,8))
for i in range(10):
    df1 = pd.read_csv('FAULT_'+str(i)+'.csv')
    plt.plot(df1['转速']+np.random.randint(2,10))
    X.append(df1['转速'].values+np.random.randint(2,10))
    y.append(1)
plt.show()

#正常信号
plt.figure(figsize=(15,8))
for i in range(10):
    df2 = pd.read_csv('NOFAULT_'+str(i)+'.csv') 
    plt.plot(df2['转速']+np.random.randint(2,10))  
    X.append(df2['转速'].values+np.random.randint(2,10))
    y.append(0)
plt.show()

X = np.array(X)
y = np.array(y)
X.shape,y.shape

from scipy import fftpack
F = fftpack.fft(X)
F.shape

XF = (np.abs(F)[:,1:360])
plt.plot((XF[y==0,1:360]).T)
plt.ylim([0,140])
plt.show()
plt.plot((XF[y==1,1:360]).T)
plt.ylim([0,140])
plt.show()

from sklearn.neighbors import KNeighborsClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import LinearSVC
from sklearn.svm import SVC
from warnings import simplefilter

#各种模型
knn_clf = KNeighborsClassifier(n_neighbors=3)#KNN
gnb_clf = GaussianNB()#贝叶斯
dt_clf = DecisionTreeClassifier(min_samples_leaf=5)#决策树
rf_clf = RandomForestClassifier(n_estimators=5,random_state=666,oob_score=True)#随机森林
lsvc_clf =  LinearSVC(C=1) #线性SVM
rbf_svc_clf = SVC(C=1,kernel='rbf',gamma=1)#高斯核函数SVM

clfs = {
    'KNN':knn_clf,
    '贝叶斯':gnb_clf,
    '决策树':dt_clf,
    '随机森林':rf_clf,
    'LinearSVC':lsvc_clf,
    '高斯核SVC':rbf_svc_clf,
}

for model in clfs:
    clfs[model].fit(XF,y)
    print(model,clfs[model].score(XF,y))