- 博客(15)
- 收藏
- 关注
RSS订阅原创 SDP信号处理代码-应用SDP点对称特征融合图像的行星齿轮箱故障诊断_崔宝珍
【代码】SDP信号处理代码-应用SDP点对称特征融合图像的行星齿轮箱故障诊断_崔宝珍。
2025-11-24 12:07:30
157
原创 批量提取振动信号，并提取表格内时间信息，对文件重命名
摘要：本研究针对电机匝间短路故障诊断中的振动数据管理问题，提出了一种基于Python的批量文件重命名解决方案。实验采集了不同相位、负载电流和故障程度下的电机振动数据（CSV格式），但面临时间信息分散、文件命名不规范等问题。通过开发自动化脚本，直接从文件元数据中提取日期和时间信息，解析后生成标准化时间戳，并以此为基础对上百个数据文件进行有序重命名。该方法有效解决了实验数据追溯困难、批量处理效率低下的问题，为后续故障特征分析和预警算法开发提供了规范化的数据基础。
2025-11-24 11:05:30
146
原创 如何在 Spyder 中实现代码自动格式化
通过为 Spyder 安装 autopep8 插件，开发者可以轻松实现代码格式的自动化管理，确保代码风格统一且符合 PEP 8 标准。这不仅提升了个人开发效率，也使团队协作变得更加高效。希望这篇教程能帮助你轻松实现自动格式化的功能，让代码更加整洁、规范。
2025-11-21 10:15:50
283
原创 基于电流信号成像与半监督学习的永磁同步电机匝间短路故障诊断方法研究
论文提出了针对绕组匝间短路故障的机器无关特征工程方法，主要解决电机在不同环境和运行条件下电流信号变化带来的挑战。本研究通过将一维电流信号转换为二维图像，结合深度学习和马氏距离计算，成功实现了永磁同步电机匝间短路故障的准确诊断。方法的机器无关特性和强鲁棒性使其在实际工业应用中具有重要价值，为基于电流信号的电机故障诊断提供了新的技术路径。关键词：故障诊断、永磁同步电机、电流信号成像、递归图、卷积神经网络、半监督学习、马氏距离。
2025-11-12 17:19:23
869
原创 深度学习中的训练数据形状详解：图像与时间序列的对比
深度学习中的数据形状理解是模型设计的基础。图像数据通常关注空间维度（高度、宽度）和颜色通道，而时域信号关注时间步长和传感器通道。对于特殊类型的数据（如三相电流信号），需要特别考虑其物理特性，选择合适的表示方法以确保重要信息（如相位关系）不丢失。正确理解和使用数据形状，能够帮助我们设计更合理的网络结构，提高模型性能和泛化能力。
2025-11-12 17:15:20
674
原创 基于域对抗自适应网络的电机故障诊断：从仿真到真实的智能迁移
在工业故障诊断领域，获取大量真实故障数据既困难又昂贵，而仿真数据虽然容易生成，但与真实数据存在分布差异。本文介绍一种基于域对抗自适应网络（DANN） 的智能故障诊断方法，实现从仿真数据到真实数据的知识迁移。pythoncategories = [ 'Healthy', 'Motor_1_Stuck', 'Motor_1_Steady_state_error', 'Motor_2_Stuck', 'Motor_2_Ste
2025-11-10 22:02:43
523
原创 零样本故障诊断域自适应方法
摘要：深度神经网络(DNN)在旋转机械故障诊断中展现出优势，但跨域诊断因数据分布差异存在局限。域自适应(DA)方法通过统计或对抗学习实现特征映射，包括MMD度量法和对抗神经网络(DANN)等。然而现有方法依赖大量目标域数据，而实际应用中故障样本稀少。因此，针对小样本/零样本的DA方法成为研究重点，如基于红外和声学数据的跨模态零样本诊断框架FCZD-IA，为实际工程应用提供了新思路。（149字）
2025-11-10 19:22:37
315
原创 基于Hilbert模量与卷积去噪自编码器的电机故障诊断
感应电动机是工业的“心脏”，但其核心部件定子和转子在恶劣工况下易发生故障。传统诊断方法（如基于振动信号）往往需要安装额外传感器，成本高且有时不具有侵入性。相比之下，定子电流信号 具有非侵入式、易于采集的天然优势。然而，直接使用电流信号进行诊断面临两大挑战：强大的基波分量：50Hz的工频基波能量巨大，就像一场交响乐中的主旋律，其声音完全盖过了其他乐器的轻微走调（故障特征）。复杂的噪声干扰：现场环境中的各种电磁干扰和随机噪声，进一步淹没了本就微弱的故障特征频率。因此，如何从被“污染”的电流信号中，精准、鲁棒地提
2025-11-07 17:25:33
942
原创 生成对抗网络（GAN）的本质理解
它接受一组数据（可能是真实的样本，也可能是生成器生成的假样本），并输出一个概率值，表示数据为真实数据的概率。：此时，生成器生成的数据几乎无法被判别器区分为假数据，判别器的准确度接近50%，这意味着生成器生成的数据与真实数据几乎完全相同。生成器的目标是最大化判别器对生成数据的预测概率，换句话说，生成器希望判别器认为生成的数据是真实的。——互相对抗的方式训练的，其中生成器通过生成假数据迷惑判别器，而判别器则努力判断数据的真假。生成器的目标是迷惑判别器，使判别器无法判断生成的样本是真实数据还是假的。
2025-11-06 17:24:39
510
原创 Python之汇川变频器MD520数据采集转换
变频器采集出来的数据往往并不是对应真实量纲，需要做一个转换和换算，下面的代码记录了MD520变频器数据的常见变量量纲转过程。
2025-11-04 10:01:02
142
原创 深度学习故障诊断目标域软标签是啥意思?
目标域软标签是通过源域训练好的分类器对目标域无标签数据的预测结果。它表示每个样本属于各类别的概率分布，而不是固定的类别标签。通过软标签，目标域的数据可以在没有真实标签的情况下被用于训练，从而在领域适配任务中提高模型的泛化能力。
2025-11-03 12:04:19
281
原创 深度学习匝间短路故障诊断数据集样本制作
在电机故障诊断和状态监测的研究中，数据处理是至关重要的一步。本文将详细解读一个用于处理电机电流数据的MATLAB脚本，该脚本能够对原始信号进行切割、标签映射和数据集划分，为后续的机器学习任务提供标准化的数据格式。滑窗技术：通过重叠采样增加数据量，提高模型训练效果标签映射：统一故障标签命名，便于分类识别随机划分：确保数据分布的随机性，避免偏差模块化设计：代码结构清晰，便于维护和扩展。
2025-10-31 21:39:49
890
原创 Python程序—定子故障三相永磁同步电动机振动与电流数据集
1.0 kW 电机匝间短路故障数据: 正常匝间短路振动数据: 匝间短路故障，严重度为2.26%: 匝间短路故障，严重度为2.70%: 匝间短路故障，严重度为3.35%: 匝间短路故障，严重度为4.41%: 匝间短路故障，严重度为6.48%: 匝间短路故障，严重度为12.17%: 匝间短路故障，严重度为21.69%1.5 kW 电机匝间短路故障数据: 正常匝间短路振动数据: 匝间短路故障，严重度为1.57%: 匝间短路故障，严重度为1.88%: 匝间短路故障，严重度为2.34%
2025-10-30 15:31:43
826
原创 电机控制之DSP28335和电脑通信互相传递数据
学习电机控制，很多时候不可避免的要把电流、转速、电压等数据传到电脑上做分析，例如做FFT分析谐波，或者是做一些信号处理、故障诊断等内容的研究工作。1、还有很多可以优化的点，如传输速率如何变得更快一些，现在这么大的数据量需要几十秒。
2023-09-20 20:58:17
1680
1
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