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）

已于 2024-11-08 14:02:41 修改
阅读量843 收藏 10
点赞数 4
分类专栏： 故障诊断创新代码 文章标签： python cnn 开发语言
于 2024-11-07 11:19:06 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/2301_79699110/article/details/143589584
版权

  1.运行效果：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）_哔哩哔哩_bilibili

环境库

只要tensorflow版本大于等于2.4.0即可运行 

2.GAF的内容

GAF是一种用于时间序列数据可视化和特征提取的技术，通常用于时间序列分类和分析。

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。这种可视化方式有助于人们更好地理解和分析时间序列数据。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。

3.数据集

 1.东南大学采集数据平台

最低0.47元/天 解锁文章
一维数据二维化的办法汇总（一）
weixin_50642818的博客
11-12 3558
在轴承故障诊断中，除了对模型进行改进，很多人也会对数据集进行变换。常见的比如说小波时频图，思路是将一维时序信号变换为二维图像，而后便于使用各种图像分类的先进技术。实际上还有很多方法可以进行这种类似的变换，相关的论文我也看到过，但是具体效果如何不好说。最近正在生成相关的数据集，比较耗时，所以先把大概类别贴出来，后续有了数据集以后会进行测试。
振动分析-8-轴承数据库之深度学习数据集制作
qq_20466211的博客
07-05 616
一维振动信号数据、时频域图像数据、CNN模型示例
格拉姆角场东南大学轴承故障诊断代码解读——数据集解读
m0_58352395的博客
03-15 4266
格拉姆角场东南大学轴承故障诊断代码解读——数据集解读
2024首发原创! 基于格拉姆角场和双通道卷积神经网络融合注意力机制GAF-PCNN-MSA实现故障识别附matlab代码
qq_59747472的博客
06-21 873
随着工业生产的不断发展，设备故障问题日益凸显，对其进行精准识别和快速诊断成为了保障生产安全、提高生产效率的关键。本文提出了一种基于格拉姆角场 (Gram Angular Field, GAF) 和双通道卷积神经网络 (Parallel Convolutional Neural Network, PCNN) 融合注意力机制 (Multi-head Self-Attention, MSA) 的新型故障识别模型 GAF-PCNN-MSA。
MATLAB基于格拉姆角场与2DCNN-BiGRU的轴承故障诊断模型
最新发布
qq_41043389的博客
05-04 889
更多内容请点击【专栏】获取。
格拉姆角场（GAF）学习记录
kiire的博客
11-14 1万+
格拉姆角场GAF记录 进入大二了（可是我还是又菜又笨），终于想到要开始写博客了。。。希望能坚持下去吧QAQ 照着老师说的了解一下格拉姆角场，不是很深，稍微记录一下，主要是想明白物理意义。让自己懂orz，以后想到什么补充什么。 我自己也啥都不懂qwq，欢迎大佬指正交流。 一下都用某用户某月31天的用电量来说明吧XD 描述 了解来源于： https://arxiv.org/pdf/1506.00327v1.pdf https://blog.csdn.net/weixin_39679367/article/det
使用格拉姆角场(GAF)以将时间序列数据转换为图像
热门推荐
deephub
03-22 3万+
这篇文章将会详细介绍格拉姆角场 （Gramian Angular Field），并通过代码示例展示“如何将时间序列数据转换为图像”。 Gramian Angular Summation / Difference Fields (GASF / GADF)可以将时间序列转换成图像，这样我们就可以将卷积神经网络 (CNN) 用于时间序列数据 基本概念 在开始介绍之前，我认为首先我们应该熟悉一下 GASF / GADF 的基本概念。如果您已经知道，可以跳过本节。 笛卡尔坐标：笛卡尔坐标系（Cartesian co
时间序列成像-格拉姆角场（GAF）
m0_60804625的博客
04-01 5267
时间序列成像，轴承寿命预测，RUL，深度学习
格拉姆角场（GAF）将一维序列转化为图像
m0_54007573的博客
07-02 3915
格拉姆角场（GAF）将一维序列转化为图像
格拉姆角场GAF将时序数据转换为图像并应用于故障诊断
m0_61363749的博客
08-02 6975
格抟姆角场能够将时间序列数据转换为图像数据，既能保留信号完整的信息，也保持着信号对于时间的依赖性。信号数据转换为图像数据后就可以充分利用CNN在图像分类识别上的优势，进行建模。...
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）
2301_79699110的博客
11-07 477
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。
代码_时间序列_序列转换成图像GAF_
10-03
把时间序列转换成图像处理，利用GAF矩阵
时序分析 45 -- 时序数据转为空间数据 (四) 格拉姆角场 python 实践 （下）
weixin_43171270的博客
09-24 2708
时序转化为图像数据后，采用卷积神经网络进行训练并验证预测结果。
格拉姆角场
Dkzlh的博客
03-15 9088
格拉姆角场学习
【CNN分类】基于格拉姆角场GAF结合卷积神经网络的故障诊断附matlab代码 2023新算法
matlab_dingdang的博客
03-25 1468
多输入单输出 (MISO) 预测在许多实际应用中至关重要，例如故障诊断、异常检测和预测性维护。本文提出了一种基于格拉姆角场 (GAF) 和卷积神经网络 (CNN) 的 MISO 预测方法。GAF 用于提取输入数据中的局部特征，而 CNN 用于学习这些特征之间的关系并生成预测。该方法在故障诊断任务上进行了评估，实验结果表明其具有良好的预测精度和鲁棒性。引言MISO 预测是指基于多个输入变量预测单个输出变量的任务。它在许多领域都有着广泛的应用，例如故障诊断、异常检测和预测性维护。
【故障诊断】格拉姆变换与并行网络1D-2D-CNN-BiLSTM故障诊断研究（Matlab代码实现）
weixin_67304359的博客
04-19 877
格拉姆变换与并行网络1D-2D-CNN-BiLSTM的结合，通过时空特征融合与双向时序建模，显著提升了故障诊断的精度与泛化能力。其在复杂工况、小样本场景下的优异表现，为工业智能诊断提供了新的技术路径。未来研究需进一步平衡模型复杂度与实时性，并探索跨领域迁移学习的可能性。📚2 运行结果这里将采用格拉姆矩阵法生成的二维矩阵送入input1中，采用CNN进行空间特征提取，然后再将原始的一维数据送入vinput中，采用Bilstm进行时间特征的学习，最后再将生成的向量进行拼接，最后一起送到分类器或预测器中。
时序分析 42 -- 时序数据转为空间数据 (一) 格拉姆角场
weixin_43171270的博客
09-10 1万+
格拉姆角场基本原理，将时序数据转换为空间数据
我想要一个python代码，利用格拉姆角场原理将一维数据转换为二维数据
09-19
在Python中，我们可以使用matplotlib库中的`streamplot`函数结合numpy数组来实现一维数据到二维空间的转换，这个过程通常用于可视化流线或向量场。这里是一个简单的例子，展示如何使用格拉姆角场（Gram-Schmidt过程）来生成二维数据，但这并不直接对应于传统的流线图，因为该原理更多用于数学分析。 ```python import numpy as np import matplotlib.pyplot as plt # 假设我们有一维数据，例如时间序列 t = np.linspace(0, 2 * np.pi, 100) data_1d = np.sin(t) # 使用等间隔点来创建二维网格 x, y = np.meshgrid(np.arange(len(data_1d)), np.arange(len(data_1d))) # 格拉姆角场假设每个点的一维数据表示方向，我们将其作为向量 vectors = data_1d.reshape(x.shape) / np.linalg.norm(data_1d, axis=1).reshape(x.shape) # 创建流线图 fig, ax = plt.subplots() ax.streamplot(x, y, vectors[:, 0], vectors[:, 1], density=2, linewidth=1, arrowsize=1) ax.set_title('一维数据转为二维格拉姆角场') plt.show()
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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