CWRU数据集

现在网上能找到的公开数据集其实也挺多的,博主 土家码农 有整理旋转机械故障诊断公开数据集,网上查论文找博客的,用的最最多的还是凯斯西储大学的数据集。


数据集来自凯斯西储大学。

官网:http://csegroups.case.edu/bearingdatacenter/home

如果不能下载的话,可以从github上下载别人搬运来的数据集,https://github.com/yyxyz/CaseWesternReserveUniversityData


官网上的数据集主要有四个大类:

1.正常数据

2.采样频率12kHz的驱动端故障数据

3.采样频率48kHz的驱动端故障数据

4.风扇端故障数据

这里以48k驱动端故障数据举例 

第一列是故障直径,单位是英寸。

第二列是负载,单位为马力,1英制马力(hp)=0.7456999千瓦(kW)。

第三列是转速。

第四列是内圈故障的数据集。

第五列是滚动体故障的数据集。

第六列是外圈故障的数据集,外圈故障设置了三种,外圈布置3点钟(直接位于受载区)、6点钟(正交于受载区)、12点钟方向的故障。

*测试轴承的故障都是用电火花加工人为加工出来的。

数据集都是.mat文件,可以用matlab打开,打开以后会发现里面有好几种数据,变量名字如下:

  • DE - 驱动端加速度数据
  • FE - 风扇端加速度数据
  • BA - 基本加速度数据
  • time - 时间序列数据
  • RPM- rpm during testing

每个变量都有十几万个数据,实际用的时候可以自行抽样,划分训练集、验证集、测试集。 


点击此处返回总目录:基于深度学习的轴承故障识别

  • 22
    点赞
  • 149
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 7
    评论
支持向量机(SVM)是一种常用的机器学习算法,可以用于进行分类任务。CWRU数据集是一个用于故障诊断的振动信号数据集,包含来自不同故障状态下的振动信号数据。 使用SVM分类器对CWRU数据集进行分类可以有以下步骤: 1. 数据预处理:从CWRU数据集中读取振动信号数据,并进行预处理,包括去除噪声,归一化等操作,以确保数据质量和一致性。 2. 特征提取:从经过预处理的数据中提取出有用的特征,例如时域特征(均值、方差等)和频域特征(功率谱密度等),以便用于分类。 3. 数据划分:将数据集划分为训练集和测试集,通常采用交叉验证的方法,确保模型的泛化能力。 4. 模型训练:使用训练集对SVM分类器进行训练,通过最小化目标函数来优化模型参数,使其能够更好地拟合训练数据。 5. 模型评估:使用测试集对训练好的模型进行评估,可以使用准确率、召回率、F1值等指标来评估模型性能,以选择最佳模型。 6. 模型优化:根据评估结果,对模型进行调参和优化,例如调整SVM的核函数、惩罚参数等,以提高分类性能。 7. 模型应用:经过优化的模型可以用于预测新的未知数据,根据振动信号的特征进行分类,实现对故障状态的判断和诊断。 综上所述,使用SVM分类器对CWRU数据集进行分类可以实现高效的故障诊断。当然,在实际应用过程中,还需要根据实际情况进行适当的调参和优化,以充分发挥SVM算法的分类能力。

“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 7
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

zhangjiali12011

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