【代码bug消除】PHM 2012轴承数据读取和XJTU-SY轴承数据读取(二)

最新推荐文章于 2024-09-20 21:22:08 发布
最新推荐文章于 2024-09-20 21:22:08 发布
阅读量2.6k 收藏 5
点赞数
分类专栏： 公告 笔记 文章标签： bug python 开发语言
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/weixin_45279187/article/details/128831603
版权

这里写自定义目录标题

PHM 2012轴承数据读取和XJTU-SY轴承数据读取

有小伙伴反映PHM 2012的轴承数据读取代码不会从XJTU的数据读取中修改，我当时没仔细看，直接修改了列的选择，没有修改csv文件命名格式，现在代码已经修改过来，自己过来看看吧

XJTU的代码截选line12-13行

column_names = ['horAcc', 'vertAcc']
    fileformat ='.csv'
    nrFiles = len(glob(bearing_folder + '*csv'))

PHM 2012的代码截选line12-13行

column_names = ["t0","t1","t2","t3",'horAcc', 'vertAcc']
    fileformat ='.csv'
    nrFiles = len(glob(bearing_folder + '*csv'))

PHM 2012的代码截选line12-13行修改后

column_names = ["t0","t1","t2","t3",'horAcc', 'vertAcc']
#核心函数：拼接文件
    fileformat = 'acc_{:05d}.csv'
    nrFiles = len(glob(bearing_folder + 'acc*csv'))
从xjtu-sy数据集中看轴承故障的发展趋势与基本特征
含光左卫的工作笔记集
05-07 136
1.4中，数据彼此相差1分钟，电机每分钟是1500转，相当于6000转之内，故障就明显出现成型了。所以，如果定那个故障的特征：我觉得把特征谱线处，加速度峰值>=5g可以作为判据，如果使用历史数据，那么特定谱线的幅度较历史值超出5倍，似乎也是比较合适的阈值。1.需要考虑振动在不同转速下的归一化问题，（峰值的归一化），最终的阈值需要先进行峰值归一化，然后再设定。我记得应该是个平方关系。2.也许可以考虑取用某个频段范围内多个峰值点取算术平均然后利用这个平均值和1x频点的比率来评估某个频点的谱线已经形成。
PHM2012(FEMTO-ST轴承数据集)寿命预测
niuxuan23的博客
11-06 2571
PHM2012寿命预测比较典型，可以参考如下文章。
FEMTO-ST轴承数据集（IEEE PHM 2012 Challenge）
altabc的博客
09-06 5759
FEMTO-ST轴承数据集（IEEE PHM 2012 Challenge）数据集的介绍与下载。
对西安交大轴承数据集XJTU-SY_Bearing_Datasets进行读取和处理：
qq_44757503的博客
09-14 4933
故障诊断，对西安交大轴承数据集XJTU-SY_Bearing_Datasets进行读取和处理
2012phm.zip
04-10
提供完整的2012PHM数据竞赛数据集以及活动说明（相关背景说明，数据说明）、phm英文综述文章，数据集百度网盘自行下载！
IEEE PHM 2012challenge 竞赛数据解析
qq_46698539的博客
10-06 4471
关于PHM挑战，考虑了代表3种不同负载的数据（转速和负载力）。参与者被提供了6个运行到故障的数据集，以建立他们的预测模型，并被要求准确估计11个剩余轴承的RUL。-振动信号（水平和垂直）-采样频率：25.6 kHz-记录：每10秒记录2560个样本（即1/10 s）（见图6）-温度信号-采样频率（10 Hz）-记录：IEEE PHM 2012数据挑战每分钟记录600个样本。注3.轴承寿命的现有可靠性定律，如L10，并没有给出与实验获得的结果相同的结果（理论估计寿命与实验给出的寿命不同）。
【代码bug消除】PHM 2012轴承数据读取和XJTU-SY轴承数据读取(三)
weixin_45279187的博客
05-04 1646
需要修改成新的numpy.fft.fft(),也即把代码中的np.fft修改成np.fft.fft()
XJTU-SY 滚动轴承加速寿命试验数据集解读
04-16
### XJTU-SY 滚动轴承加速寿命试验数据集解读 #### 一、引言 随着工业4.0时代的到来，预测与健康管理（Prognostics and Health Management, PHM）对于确保机械设备的安全运行、提升生产效率以及增加经济效益变得...
【轴承寿命预测】BiLSTM-KAN网络的轴承寿命预测，PHM2012数据集（Python代码和数据）
01-15
1.【轴承寿命预测】BiLSTM-KAN网络的轴承寿命预测，PHM2012数据集（Python代码和数据） 2.数据集：PHM2012数据集，已经处理好； 3.环境准备：推荐使用python3.9版本，tensorflow2.15版本； 4.模型描述：KAN网络在...
轴承剩余寿命预测，CNN卷积神经网络轴承剩余寿命预测，PHM2012数据集（Pytorch完整源码和数据）
06-02
1.【轴承剩余寿命预测】CNN卷积神经网络轴承剩余寿命预测（Pytorch完整源码和数据） 2.数据集：PHM2012数据集，已经处理好； 3.环境准备：python 3.8 ， pytorch 1.8 版本及其以上，代码格式ipynb文件，可读性强； 4...
projectRUL:根据2012 PHM数据预测轴承的剩余使用寿命
05-27
轴承剩余寿命预测项目(projectRUL) 使用PHM2012大赛的轴承数据库，研究如何使用深度学习算法对滚珠轴承进行剩余寿命预测的试错项目 to prediction the remain useful life of bearing based on 2012 PHM data 2021-01-17 最后更新总结(Final Update) 碎碎念：这个项目一开始只是一个默默无名的研究生用来记录自己在深度学习算法上的学习过程，所以本质上就是一个没啥卵用的项目。结果项目停止更新的两年多总有人会给我发邮件问这个项目，(也有可能相关方向的代码是真的少，所以找到这里。。。)，而且我也不做相关方向了，所以做一个总结。 项目里面的深度模型基本都能运行，但是效果都不行！！（仅供新人学习参考） 项目里面我自我感觉最好的代码是dataset.py，这是将PHM2012、德国帕德博恩大学的数据库以及cw
整理好的IEEE2012挑战轴承数据集
12-26
已经用matlab整理好的轴承数据集，格式为mat文件。一共8个文件，每个轴承的振动数据合并为一个矩阵，里面有具体说明文档。
整理好的IEEE2012挑战轴承数据集2和3
12-26
已经用matlab整理好的轴承数据集，格式为mat文件。一共10个文件，每个轴承的振动数据合并为一个矩阵，里面有具体说明文档。
轴承剩余寿命预测，Transformer-BiLSTM（串行）轴承剩余寿命预测，PHM2012数据集（Pytorch完整源码和数据）
最新发布
06-02
1.【轴承剩余寿命预测】Transformer-BiLSTM（串行）轴承剩余寿命预测（Pytorch完整源码和数据） 2.数据集：PHM2012数据集，已经处理好； 3.环境准备：python 3.8 ， pytorch 1.8 版本及其以上，代码格式ipynb文件，...
XJTU-SY滚动轴承加速寿命试验数据集：助力机械健康监测与故障诊断
gitblog_06568的博客
09-20 1344
XJTU-SY滚动轴承加速寿命试验数据集：助力机械健康监测与故障诊断 XJTU-SY滚动轴承加速寿命试验数据集 项目地址: https://gitcode.com/Resource-Bundle-Collection/d8bc3...
西安交大轴承实验集XJTU-SY_Bearing_Datasets的python调用代码
NVKD2020的博客
12-14 6915
西安交通大学轴承实验集XJTU-SY_Bearing_Datasets调用函数代码
一份轴承振动数据集摘引 - XJTU-SY2019
含光左卫的工作笔记集
01-29 1881
一份可以用做振动分析，寿命预警的数据集。西交大2019年发布，网上已经积累了一些数据分析过程。实际处理过程中可以验证你的分析算法。由确切的结果逆推。
IEEE 2012 PHM数据挑战赛
qq_57512939的博客
05-31 405
通过轴承1_3的频谱数据可知（左下角图），在#822处水平方向最初存在于2500Hz附近的频率消失，＃822处的异常检测被认为是第一个异常区域的开始，通过#822处的水平特征值乘以先前获得的5.47因子得到阈值5.99，通过曲线拟合预测水平特征在＃2115处达到此阈值。图4示出了轴承2_2的前三个主要分量的时间序列图。利用快速傅里叶变换生成对应频谱，当频谱中的峰值振动的频率发生变化时，认为检测到异常，轴承频率特征变化的物理解释是轴承内裂纹，剥落或其他表面缺陷的发生，导致轴承结构以新的频率和模式进行振动。
phm2012轴承数据代码python
05-07
<think>好的，我现在需要帮助用户解决关于使用Python处理或分析PHM2012轴承数据的问题。首先，用户提到了之前的引用内容，其中涉及数据读取的代码修改和FFT处理，所以应该参考这些内容来构建回答。 用户的需求是获取处理或分析PHM2012数据的Python代码方法。我需要分步骤说明，包括数据读取、预处理、分析和可视化。首先，数据读取部分，根据引用[1]，用户之前遇到的问题是关于CSV文件命名和列名选择，所以需要确保代码中的文件格式和列名正确。例如，PHM2012的数据文件命名是'acc_00001.csv'这样的格式，列名包括t0到t3以及horAcc和vertAcc。 接下来是数据预处理部分，可能需要处理缺失值、标准化，或者应用FFT。引用[2]提到使用numpy的fft.fft函数进行傅里叶变换，所以应该包含这部分代码示例，并注意替换旧的np.fft为np.fft.fft。 然后是数据分析和可视化的步骤，比如时域分析和频域分析。需要展示如何绘制振动信号的时间序列图和频谱图，并解释这些图的意义。此外，特征提取部分可以包括时域统计特征和频域特征，如RMS、峰峰值、频谱峰值等，这些都是轴承健康监测中常用的指标。 最后，用户可能需要知道如何评估模型或进行趋势分析，比如计算趋势指标如均方根的变化，或者使用机器学习模型进行分类或预测。不过用户的问题主要是处理和分析，所以重点放在数据处理和可视化上。 需要确保回答的结构清晰，分步骤说明，每个部分都有代码示例，并引用相关的引用内容。同时，生成相关问题，帮助用户进一步探索，比如优化数据读取效率或特征工程方法。还要检查LaTeX格式是否正确，行内公式用$...$，独立公式用$$...$$，但根据用户提供的示例，似乎问题中不需要数学公式，但回答中可能需要，比如FFT的公式，所以要注意格式正确。 另外，确保使用中文回答，引用标识放在引用内容的末尾，如[^1]。最后，生成的相关问题要围绕PHM2012数据处理，可能的疑问点展开，比如数据预处理方法、特征工程、与其他数据集对比等。</think>以下为使用Python处理PHM2012轴承数据的完整实现方法，包含数据读取、预处理、分析三个核心环节： ### 一、PHM2012数据读取 ```python import pandas as pd from glob import glob def read_phm2012(bearing_folder): # 按规范设置列名和文件格式 column_names = ["t0","t1","t2","t3",'horAcc', 'vertAcc'] file_format = 'acc_{:05d}.csv' # 匹配原始文件名格式 # 获取文件列表 all_files = sorted(glob(bearing_folder + 'acc*csv')) # 数据合并 df_list = [] for file in all_files: df = pd.read_csv(file, names=column_names) df_list.append(df) return pd.concat(df_list, axis=0).reset_index(drop=True)[^1] # 使用示例 bearing_data = read_phm2012("./phm2012/bearing1/") ``` ### 二、数据预处理 ```python import numpy as np def preprocess(data): # 选择水平振动信号 signal = data['horAcc'].values # 标准化处理 normalized = (signal - np.mean(signal)) / np.std(signal) # 时域降采样（从2560Hz降到512Hz） downsampled = normalized[::5] # 频域分析（FFT） N = len(downsampled) yf = 2.0/N * np.abs(np.fft.fft(downsampled)[0:N//2])[^2] return downsampled, yf ``` ### 三、数据分析与可视化 ```python import matplotlib.pyplot as plt def analyze(signal, fft_result): # 时域分析 plt.figure(figsize=(12,6)) plt.subplot(2,1,1) plt.plot(signal[:1000]) plt.title('时域振动信号') # 频域分析 plt.subplot(2,1,2) freq = np.linspace(0, 512/2, len(fft_result)) plt.plot(freq, fft_result) plt.title('频域分析') plt.tight_layout() plt.show() # 执行分析 processed_signal, fft = preprocess(bearing_data) analyze(processed_signal, fft) ``` ### 四、特征提取 ```python def extract_features(signal, fft): # 时域特征 features = { 'RMS': np.sqrt(np.mean(signal**2)), '峰峰值': np.ptp(signal), '峭度': np.mean((signal - np.mean(signal))**4) / (np.std(signal)**4) } # 频域特征 features.update({ '主频幅值': np.max(fft), '主频位置': np.argmax(fft), '频谱熵': -np.sum(fft * np.log(fft + 1e-12)) }) return features ```
评论 2
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

打赏作者

风筝不是风

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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