- 博客(22)
- 收藏
- 关注
RSS订阅原创 短期光伏发电量短期预测（Python代码，基于SARIMA（季节性自回归移动平均模型）和Prophet工具结合预测未来发电量）
读取两个数据集，分别为"Plant_1_Generation_Data.csv"和"Plant_1_Weather_Sensor_Data.csv"，然后对数据进行处理，包括删除不需要的列和格式化日期时间。绘制预测结果与原始数据的对比图，并计算预测性能指标，包括R²分数、平均绝对误差（MAE）和均方根误差（RMSE）。创建两个图表的子图，一个包含每日产量图和AC & DC功率图，另一个包含每日产量和总产量的图。分析DC功率和时间的关系，绘制前11个源和后11个源的DC功率图。绘制所有源的DC功率图。
2024-11-07 11:29:39
2276
原创 四通道信息融合下的齿轮箱故障诊断（Python代码，SVM模型和CNN模型进行对比实验，解压缩即可运行，有详细中文注释）
以传感器1（其它3个传感器跟传感器1采集时间和采样频率均相同）为例，所有数据展示（b:蓝色柱子为破损文件夹下的数据集，y轴为负载，横轴为采集点的个数）总共有20个文件（每个文件夹下10个文件），其中10个用于健康的齿轮箱，另外10个用于破损的齿轮箱。以512的固定长度切割信号，一共生成3941个样本（故障状态1960个样本，正常状态1981个样本，如SVM章节所示）以512的固定长度切割信号，一共生成3941个样本（故障状态1960个样本，正常状态1981个样本，如下图所示）
2024-11-07 11:27:07
621
原创 格拉姆角场GAF将时序数据转换为图像并应用于凯斯西储大学轴承故障诊断（Python代码，CNN模型）
GAF的基本思想是将时序数据转换为角度矩阵，然后将这个矩阵可视化为图像。GAF的一种常见用法是在机器学习任务中，将时间序列数据转换为图像特征，然后使用这些特征进行分类、回归或聚类等任务。picture_CNN.py主要功能：首先利用1024的固定长度重叠切割原始数据，生成一维样本，然后利用GAF将一维样本转变成二维图像的程序，然后利用CNN进行故障诊断。CWRU数据集，每份负载数据集以四分类为例：正常、内圈故障、外圈故障和滚动体故障，也可以考虑故障尺寸，自己改成十分类）对项目感兴趣的，可以关注最后一行。
2024-11-07 11:24:40
453
原创 格拉姆角场GAF将时序数据转换为图像并应用于东南大学轴承故障诊断（Python代码，CNN模型）
GAF的基本思想是将时序数据转换为角度矩阵，然后将这个矩阵可视化为图像。（第一个文件夹是轴承数据，第二个文件夹是齿轮数据，本次是针对轴承数据进行故障诊断）picture_CNN.py主要功能：首先利用1024的固定长度不重叠切割原始数据，生成一维样本，然后利用GAF将一维样本转变成二维图像的程序，然后利用CNN进行故障诊断。picture_CNN.py主要功能：首先利用1024的固定长度不重叠切割原始数据，生成一维样本，然后利用GAF将一维样本转变成二维图像的程序，然后利用CNN进行故障诊断。
2024-11-07 11:19:06
772
原创 香蕉叶病害数据集
第一个文件夹为数据增强（旋转平移裁剪等操作）后的数据集。Pestalotiopsis文件夹（173张照片）Pestalotiopsis文件夹（400张照片）sigatoka文件夹（473张照片）sigatoka文件夹（400张照片）Cordana文件夹（162张照片）Cordana文件夹（400张照片）healthy文件夹（129张）healthy文件夹（400张）对数据集感兴趣的，可以关注最后一行。第二个文件夹为原始数据集。
2024-11-07 11:17:29
246
原创 小麦病害数据集（yolo使用）
images文件夹里的train文件夹（631张照片）对数据集感兴趣的，关注中间一行。test文件夹（183张照片）val文件夹（91张照片）
2024-11-07 11:16:20
472
原创 光伏发电预测（LSTM、CNN_LSTM和XGBoost回归模型，Python代码）
一旦结果与预测差距较大，可能存在光伏系统的问题，需要找出原因，然后采取适当措施来修复光伏系统并做出更好的决策。例如，根据准确的预测，光伏系统运营商可以平衡电力消耗，并将多余的电力储备用于紧急情况。然而，光伏系统的发电量估算是一个挑战，因为光伏系统的发电量受到天气条件的极大影响。整个项目文件夹（第一个文件夹为xgboost模型相关的包文件，xg.py是xgboost模型英文注释版本，xg_chinese.py是xgboost模型中文注释版本）表示空气的温度，通常以摄氏度（°C）或华氏度（°F）为单位。
2024-11-07 11:15:17
1912
2
原创 光伏发电预测（GRU模型，Python代码）
'Clearsky DHI'，和 'Clearsky DNI'， 'Clearsky GHI'分别为是三个光伏电站的表示。数据属性： ‘Year’， 'Month'， 'Day'， 'Hour'， 'Minute'这些是时间。），数据由威普罗有限公司（NYSE：WIT，BSE：507685，NSE：WIPRO）收集。开始位置（2009年1月1日0时0分开始开始）第一个光伏电站的测试集预测值与真实值。第二个光伏电站的测试集预测值与真实值。第三个光伏电站的测试集预测值与真实值。
2024-11-07 11:13:52
596
原创 利用动态时间规整（DTW）技术实现对机械寿命预测（基于NASA C-MAPSS数据的剩余使用寿命RUL预测，Python代码，DTW不属于深度学习，但预测效果更容易被解释）
当前的论文研究中，主要以单工况、单故障状态的FD001数据集为主(笔者认为该数据集相对简单，相比于多工况数据，不需要额外的数据处理)。测试集Test_FD001.txt收录了100台非全寿命循环状态的发动机参数信息，即仅包含发动机故障前某个时间终止的多个传感器数据，根据给定的运行参数对每台发动机的RUL进行实时的预测；当前基于机器学习的剩余寿命预测方法的研究异常火爆，其中C-MAPSS数据集在该领域的使用非常广泛，为了方便各位同仁的学习和理解，借此文章向大家简单介绍一下。
2024-11-07 11:12:42
681
原创 基于NASA C-MAPSS数据的剩余机械寿命RUL预测，Python代码（添加了非常详细中文注释），线性回归LR、支持向量回归SVR、随机森林回归RF、xgboost模型
当前的论文研究中，主要以单工况、单故障状态的FD001数据集为主(笔者认为该数据集相对简单，相比于多工况数据，不需要额外的数据处理)。测试集Test_FD001.txt收录了100台非全寿命循环状态的发动机参数信息，即仅包含发动机故障前某个时间终止的多个传感器数据，根据给定的运行参数对每台发动机的RUL进行实时的预测；当前基于机器学习的剩余寿命预测方法的研究异常火爆，其中C-MAPSS数据集在该领域的使用非常广泛，为了方便各位同仁的学习和理解，借此文章向大家简单介绍一下。show.py的如下。
2024-11-07 11:11:34
2135
原创 西安交大转子数据集故障诊断（Python代码，MSCNN结合LSTM结合注意力机制模型）
其中，第一列为水平方向的振动信号，第二列为竖直方向的振动信号。各个 csv 文件按采样时间先后顺序命名，即 1.csv，2.csv，…该实验平台由交流电动机、电动机转速控制器、转轴、支撑轴承、液压加载系统和测试轴承等组成，试验平台可调节的工况主要包括径向力和转速，其中径向力由液压加载系统产生，作用于测试轴承的轴承座上，转速由交流电机的转速控制器来设置与调节。如果库版本不一样， 一般也可以运行，这里展示我运行时候的库版本，是为了防止你万一在你的电脑上面运行不了，可以按照我的库版本进行安装并运行。
2024-11-07 11:10:32
495
原创 西红柿叶病害检测（yolov8模型，从图像、视频和摄像头三种路径识别检测，包含登陆页面、注册页面和检测页面）
对代码和数据集在一起的压缩包感兴趣的，可以私信。
2024-11-05 10:04:36
433
原创 西蓝花病害检测（yolov8模型，从图像、视频和摄像头三种路径识别检测，包含登陆页面、注册页面和检测页面）
对代码和数据集压缩包感兴趣的，可以私信。
2024-11-05 10:02:55
250
原创 YOLOv8+PyQt5农作物杂草检测（可以重新训练模型，yolov8模型，从图像、视频和摄像头三种路径识别检测，包含登陆页面、注册页面和检测页面）
资源包含可视化的农作物杂草检测系统，基于最新的YOLOv8训练的农作物杂草检测模型，和基于PyQt5制作的可视化农作物杂草检测系统，包含登陆页面、注册页面和检测页面，该系统可自动检测和识别图片或视频当中出现的农作和物杂草，以及自动开启摄像头，进行农作物杂草检测，并在图片上展示农作或物杂草的位置，以及输出检测结果是农作物还是杂草以及它的坐标和置信度。资源包含基于最新的YOLO-v8训练的农作物杂草检测模型和完整的python代码以及农作物杂草检测的训练数据，下载后即可运行。对项目感兴趣的，可以私信。
2024-11-04 15:43:31
143
原创 YOLOv8+PyQt5苹果叶病害检测（可以重新训练，yolov8模型，从图像、视频和摄像头三种路径识别检测）
资源包含可视化的苹果叶病害检测系统，基于最新的YOLOv8训练的苹果叶病害检测模型，和基于PyQt5制作的可视苹果叶病害系统，包含登陆页面和检测页面，该系统可自动检测和识别图片或视频当中出现的三类苹果叶病害：苹果黑根病Black Root Disease、苹果瘤虫病Scab Disease、苹果雪松锈病Cedar Apple Rust Disease以及健康苹果叶Healthy Apple Leaf，另外程序具有自动开启摄像头，进行苹果叶病害检测功能。
2024-11-04 15:29:47
338
原创 YOLOv8+注意力机制+PyQt5玉米病害检测系统完整资源集合
资源包含可视化的玉米病害检测系统，基于最新的YOLOv8+注意力机制训练的玉米病害检测模型，和基于PyQt5制作的可视玉米病害系统，包含登陆页面和检测页面，该系统可自动检测和识别图片或视频当中出现的七类玉米病害：矮花叶病dwarf-mosaic、灰斑病cercospora、严重灰斑病cercospora-serious、锈病puccinia、严重锈病puccinia-serious、叶斑病leaf-spot'、严重叶斑病leaf-spot-serious，以及自动开启摄像头，进行玉米病害检测。
2024-11-04 15:27:48
330
原创 独家创作YOLOv8韭菜检测系统（可以重新训练，yolov8模型，从图像、视频和摄像头三种路径识别检测）
2.1.1.以训练集为例，有被标注的图片（992）和labels（992）验证集和测试集分别有：48个样本和19个样本。
2024-11-04 15:07:23
269
原创 带界面下的基于mscnn-bigru-attention深度学习模型江南大学轴承故障诊断（Python代码，很容易替换数据集）
采样频率：50khz，采样时间：10s转速：600 800 1000/rpm内圈故障：ib外圈故障：ob滚动体故障：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。
2024-11-04 15:00:08
786
原创 强噪声下基于mscnn-bigru-attention深度学习模型CWRU(凯斯西储大学)轴承故障诊断（Python代码，tensorflow框架，很容易替换模型和数据集，同时带诊断界面）
2.1.西储大学滚动轴承数据集介绍西储大学滚动轴承振动信号的实验数据源自美国凯斯西储大学（Case Western Reserve University，CWRU）电气工程实验室，其提供的数据集已经成为轴承故障诊断领域的标准参考之一，并已广泛应用于各类过程控制与故障诊断实验。试验台包括电机、加速度传感器、转矩传感器、编码耦合器和负载构成。在实验中，滚动轴承振动信号数据以多变量振动序列形式存在，并由数据记录仪在采样频率为12kHz和48kHz的环境下收集。
2024-11-04 14:45:13
1964
原创 原始信号与加噪后信号对比GUI小程序（Python代码）
4.效果图（可以扩大噪声强度范围，目前是-30DB到30DB）读取表格数据（只需要把信号放在表格里进行读取，即可），3.添加高斯白噪声代码。
2024-11-04 14:38:34
237
原创 迁移学习下的源域和目标域特征Tnse二维和PCA三维可视化小程序（Python代码）
取模型的倒数第二层的输出特征进行可视化，源域保存为以下形式，特征列（10列，可以修改特征列数）和最后一列为标签。特征的表格也是如此，这样就可以进行可视化了。
2024-11-04 14:36:54
263
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人