0
点赞
收藏
分享

微信扫一扫

江南大学轴承数据故障诊断(利用连续小波变换转换为二维图像,再利用CNN进行故障诊断)

全栈学习笔记 2023-07-20 阅读 220

1.江南大学轴承数据集介绍

 

采样频率:50khz,采样时间:10s

转速:600 800 1000/rpm

内圈:ib

外圈:ob

滚动体:tb

正常:N

 以600转速下的内圈故障数据为例展示:

开始数据

截止数据 

 

 

小波变换:

以1024的长度分割原始信号,每个类别下生成480个样本,这里为了程序更快运行,选取了每个类别的125个样本,4种类别下一共有500个样本。利用连续小波变换将500个样本变成二维图像,生成500张照片。


 利用CNN对图像进行识别。

文件夹介绍:

分别在不同转速下实验

 以600转速为例,打开以后是图片文件夹,生成的图像保存在里面,CNN是CNN诊断模型,JNU是利用小波变换生成图片的程序。

600/rpm 数据集

测试集准确率为:80.26%

800/rpm 数据集

测试集准确率为:89.65%

 

 1000/rpm 数据集

测试集准确率为:86.00%

因为本人电脑本身配置比较低,当在一个类别下连续生成480张二维图像时,电脑会出现卡顿,所以只选取了每个类别下的125张图像,如果图像更多,准确率更高。

对代码感兴趣的可以关注


import numpy as np 
import pandas as pd
from sklearn.model_selection import train_test_split
from collections import Counter
import pywt
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
#对代码感兴趣的可以关注:https://mbd.pub/o/bread/ZJualJxq
import numpy as np 
import pandas as pd
#from sklearn.model_selection import train_test_split
from collections import Counter
import pywt
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler

 

举报

相关推荐

0 条评论