extremprocess2

//续1
			WritableCellFormat cf = new WritableCellFormat(new WritableFont(WritableFont.TIMES,10,WritableFont.NO_BOLD));
			cf.setBorder(Border.ALL, BorderLineStyle.HAIR, Colour.BLUE);
			cf.setAlignment(Alignment.CENTRE);
			
			for(int i=0;i<ws.length;i++)
			{
				ws[i] = wbook.createSheet(title[i], wbook.getNumberOfSheets());
				for(int j=0;j<3;j++)
				{
					ws[i].setColumnView(j, 30);
				}
				if(headline == 1)
				{
					
					ws[i].addCell(new Label(0,0,title[i],cf));
					ws[i].mergeCells(0, 0, 2, 0);
				}
			}
			
			
			cf = new WritableCellFormat(new WritableFont(WritableFont.TIMES,10,WritableFont.NO_BOLD));
			cf.setBorder(Border.ALL, BorderLineStyle.HAIR, Colour.BLUE);
			cf.setAlignment(Alignment.LEFT);
			
			Timestatic time =  new Timestatic();
			int i = headline;
			
			for(ArrayList<Date> ds : extra_weekend.values()) 
			{
				if(ds.size()==1)
				{
					if(ds.get(0).getHours()<12)
					{
						time.setParas(ds.get(0),Const.pm.getTime());
					}
					else
					{
						time.setParas(Const.am.getTime(),ds.get(0));
					}
					ws[0].addCell(new Label(0,i,String.format(dateFormat, ds.get(0)),cf));
					ws[0].addCell(new Label(1,i,"default value",cf));
					ws[0].addCell(new Label(2,i++,time.toString(),cf));
				}
				else
				{	
					ws[0].addCell(new Label(0,i,String.format(dateFormat, ds.get(0)),cf));
					ws[0].addCell(new Label(1,i,String.format(dateFormat, ds.get(1)),cf));
					time.setParas(ds.get(0), ds.get(1));
					ws[0].addCell(new Label(2,i++,time.toString(),cf));
				}
			}
			time.setExtra_weekday_all(0);
			i = headline;
			
			for(Date d : extra_weekday) 
			{
					ws[1].addCell(new Label(0,i,String.format(dateFormat,d),cf));
					time.setParas(Const.am.getTime(), d);
					ws[1].addCell(new Label(1,i++,time.toString(),cf));
			}
			i = headline;

 

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理与特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
评论
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
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