V_shouhou6668889的博客

将故障区分为具体的不同类型：单相短路故障、两相接地短路故障、两相相间故障、三相相间短路故障。这里随意举出每种类别的两个样本进行展示。环境库要求：TensorFlow>=2.4.0版本以上即可。2.模型：CNN网络，每类故障有1000个样本。3.效果（平均识别准确率为 98.053%）

Bacterial Blight（细菌性枯萎病）：细菌性枯萎病是由细菌引起的棉花疾病，主要受害部位是棉花的叶子和茎。Fusarium Wilt（枯萎病）：枯萎病是由一种真菌引起的棉花疾病。Curl Virus（卷叶病毒）：卷叶病毒是一种病毒性病害，影响棉花植株。Healthy（健康）："Healthy" 表示没有任何上述病害或问题，棉花植株处于正常健康状态。1.Bacterial Blight（细菌性枯萎病）文件夹（448张照片）3. Fusarium Wilt（枯萎病）文件夹（419张照片）

predictWindow.py是Pyqt5界面展示主程序，并调用训练好的yolov8模型参数，进行草莓不同类别的检测。insulator_train.py是训练脚本，detect_tools.py是用来读取和展示图像，被predictWindow.py调用,yolov8.pt是训练完成模型保存参数。重要文件介绍：data是数据文件夹。

将故障区分为具体的不同类型：单相短路故障、两相接地短路故障、两相相间故障、三相相间短路故障。这里随意举出每种类别的两个样本进行展示。2.模型：CNN-Bigru-Attention模型，每类故障有1000个样本。售后包免费远程协助运行（用向日葵或者todesk软件协助）1.数据集介绍 （matlab仿真模型获取数据）3.效果（平均识别准确率为 99.31%）混淆矩阵（以准确率形式呈现）

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。

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。

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。

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。

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）

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）每种负载下5次实验平均结果。

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。