Pytorch环境下基于WDCNN的滚动轴承故障诊断 算法程序运行环境为Python,采用Pytorch深度学习模块,也可用于地震信号,机械振动信号,语音信号,声信号等一维时间序列信号。 算法程序对WDCNN进行了改进,搭建了卷积核大小逐层递减的一维卷积神经网络,并减少了卷积层数量,达到了98以上的诊断准确率,同时有着较快的收敛速度。另外,针对时序信号的特点,将长短时记忆网络(LSTM)与搭建的一维卷积神经网络结合,提高分类准确率至99以上,但收敛速度较单一的卷积神经网络较慢。 算法程序采用了重叠采样方法以增加训练数据数量,从原始信号进行采集训练样本时,每一段信号与其后一段信号之间存在一部分重叠,有效增加了数据数量,避免模型过拟合。 参考文献 张伟。基于卷积神经网络的轴承故障诊断算法研究〔D〕。哈尔滨工业大学,2017。 模块 importos importnumpyasnp importpandasaspd importtorch fromtorchimportnn,optim fromtorch。utils。dataimportDataLoader,dataset,randomsplit frommatplotlibimportpyplotasplt importseabornassns fromfaultdiagutilsimport fromcnnmodelimportCNNasmodle fromcnnmodelimportLSTMCNNasmodle sns。set() MATLAB环境下基于包络谱和谱峭度的滚动轴承故障诊断 算法程序主要讲解如何应用包络谱分析和谱峭度来诊断轴承故障,也可用于金融时间序列,地震信号,机械振动信号,语音信号,声信号等一维时间序列信号。 滚动轴承的局部故障可能发生在外圈、内圈、保持架或滚动体中。当滚动体撞击外圈或内圈上的局部故障,或者滚动体上的故障撞击外圈或内圈时,轴承和传感器之间的高频共振会被激发。在时域中可视化原始内圈故障数据 在频域中可视化原始数据 放大低频范围内原始信号的功率谱,仔细观察BPFI的频率响应及其前几个谐波 计算原始信号的包络,并可视化。 计算包络信号的功率谱,并查看BPFI的频率响应及其谐波 MATLAB环境下基于振动信号的轴承状态监测和故障诊断 数据包含轴承不同运行工况的轴承多段振动信号(缺陷深度从3um逐渐增加到3mm以上),算法程序主要讲解如何从滚动轴承的振动信号中提取特征、进行状态监测和故障诊断,使用SignalProcessingToolbox和SystemIdentificationToolbox工具箱。 数据描述 加载振动信号,该振动信号是由滚动轴承外圈单点缺陷生成的,包含轴承不同运行工况的轴承多段振动信号(缺陷深度从3um逐渐增加到3mm以上),采样频率为20kHz。轴承振动信号存储在。mat中,defectDepthVec存储缺陷深度随时间变化的信号,expTime以分钟为单位存储相应的时间 Python环境下基于机器学习(决策树,随机森林,KNN和SVM)的轴承故障诊断 算法程序利用机器学习(决策树,随机森林,KNN和SVM)对轴承进行故障诊断,并利用网格搜索算法对机器学习进行调优,所用模块如下。importnumpyasnpimportpandasaspdimportseabornassnsfrompylabimportrcParamsimportmatplotlib。pyplotaspltimportmatplotlibasmplfromsklearn。preprocessingimportOrdinalEncoderfromsklearn。preprocessingimportStandardScaler 代码所使用的数据非原始数据,是经过特征提取的,如下 代码生成的图片如下 MATLAB环境下基于最近邻算法KNN的旋转机械多传感器故障诊断 故障模式如下Fault1:轴承故障BearingFaultFault2:齿轮啮合故障GearMeshFault3:不平衡故障ImbalanceFault4:不对中故障MisalignmentFault5:共振故障Resonance 使用5个传感器测量振动数据,通过从原始(传感器)数据中提取信息特征,评估一个旋转机器的健康状态。 试验台如下 以上项目的代码可面包多找到 面包多代码 https:mbd。puboGeBENHAGEN 此外,知乎付费咨询:哥廷根数学学派 擅长现代信号处理(改进小波分析系列,改进变分模态分解,改进经验小波变换,改进辛几何模态分解等等),改进机器学习,改进深度学习,机械故障诊断,改进时间序列分析(金融信号,心电信号,振动信号等)