<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[yushhs的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/yushhs</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; yushhs]]></copyright><item><title><![CDATA[subplot多子图对比绘制]]></title><link>https://blog.youkuaiyun.com/yushhs/article/details/147781828</link><guid>https://blog.youkuaiyun.com/yushhs/article/details/147781828</guid><author>yushhs</author><pubDate>Thu, 08 May 2025 10:18:12 +0800</pubDate><description><![CDATA[python在一张中绘制N×M个子图，按周期对数据进行分组，输入df为dataFrame数据格式，具体特征按照实际的业务需求来，这里第25个周期数据为异常数据，通过颜色特别标识出来。]]></description><category></category></item><item><title><![CDATA[常见故障类型、它们在振动信号中的特征以及相关的表现]]></title><link>https://blog.youkuaiyun.com/yushhs/article/details/147781009</link><guid>https://blog.youkuaiyun.com/yushhs/article/details/147781009</guid><author>yushhs</author><pubDate>Thu, 08 May 2025 09:46:58 +0800</pubDate><description><![CDATA[通过频谱分析、时域分析、时频分析等手段，可以有效地提取信号中的特征，从而实现对设备故障的诊断。]]></description><category></category></item><item><title><![CDATA[振动信号分析常规方法]]></title><link>https://blog.youkuaiyun.com/yushhs/article/details/147780464</link><guid>https://blog.youkuaiyun.com/yushhs/article/details/147780464</guid><author>yushhs</author><pubDate>Thu, 08 May 2025 09:27:43 +0800</pubDate><description><![CDATA[通过对振动信号进行傅里叶变换、小波变换等方法，提取出频域或时域的特征，如峰值、均方根值（RMS）、谱密度等。选择适当的传感器（如加速度计、速度计等）进行振动信号的采集。根据设备的工作条件和所需的分析精度，选择适当的采样频率和时间窗口。利用机器学习、深度学习等方法，基于特征数据进行故障诊断。例如，常见的方法包括支持向量机（SVM）、决策树、神经网络等。]]></description><category></category></item></channel></rss>