精华内容
下载资源
问答
  • 电机故障诊断.rar

    2020-11-05 08:59:31
    电机故障诊断数据介绍: 数据描述训练数据包含3个不同机械的运行数据,数据已经经过脱敏处理。数据中包含一个电机故障,发生在3号机器。 数据包含如下信息: temp_drv:发电机轴承驱动端温度 temp_nondrv:发电机...
  • 电机故障数据集.rar

    2021-05-18 18:51:07
    电机故障数据集,振动数据和电流数据,故障类别:转子断条,气隙偏心,轴承磨损,轴承座损坏,匝道短路,轴承外圈,内圈,滚动体故障。...电机故障诊断振动数据8000*1025.csv 里面有参考论文可以借鉴
  • 本文详述了交流电机、直流电机故障振动信号的诊断方法,文末也列举了一些实例
  • 通过采用蚁群神经网络、BP网络以及Elman网络分别作为电机故障诊断的初级模块,并将其输出结果作为证据理论的独立证据体,再由改进证据理论进行信息融合决策。仿真实例表明,该方法可充分利用不同数据源的冗余互补信息,...
  • 主要对滚珠轴承的状况分为四类:健康、滚动元件故障、内滚道故障、外滚道故障。 ,数据文件均为Matlab格式(.mat格式)。
  • 电动机故障诊断——数据预处理

    千次阅读 多人点赞 2019-03-20 15:33:02
    数据预处理 故障信息获取 1.目前,常用的故障诊断参数有电流、电压、功率、转矩、磁通...快速傅里叶频谱分析方法是提取电机故障特征信号的经典分析方法,在异步电机故障诊断中起到了至关重要的作用。然而,由于傅...

    数据预处理

    故障信息获取

    目前,常用的故障诊断参数有电流、电压、功率、转矩、磁通、温度、振动等物理量。其中定子电流信号相对于其它参数受环境等外界影响最小,也因为电流传感器安装方便而最容易获取,因此,长期以来是电机各类故障诊断的主要参数。

    故障特征提取

    1.快速傅立叶变换(FFT)
      快速傅里叶频谱分析方法是提取电机故障特征信号的经典分析方法,在异步电机故障诊断中起到了至关重要的作用。然而,由于傅里叶频谱分析方法对信号的时域缺少分辨能力,适合于对平稳信号的分析。当电动机发生故障时,所测得是非平稳、非线性分布的随机信号,信号中突变的部分在FFT频谱上得不到反映。
      针对FFT的不足,提出了时频分析方法进行改进,如短时Fourier变换有时也称作加窗Fourier变换(Gabor变换)和wigenr分布。
      短时傅里叶变换实质上是在限定的时间内对信号进行傅里叶变换分析得到的局部频率信息,不能准确地分析多尺度和突变信号
      Wigner分布是对信号的协方差进行变换,对非平稳信号分析处理上,与其他方法相比具有平移不变形、弱支撑性等优点,但因为它的分布是非线性的,当信号进行时频叠加时存在交叉干扰。
      
    2.小波变换时频分析方法
      优点:传统的分析方法在分析含有大量突变、时变冲击信号时,往往很难准确的提取故障的信号特征。小波分析在时域和频域中都能很好的表征信号局部特征,对信号能够进行多分辨率的时频分析,能聚焦到信号任意细节,因此被誉为“数学显微镜”。小波变换以其对非平稳信号的强大处理能力,在电机故障诊断领域取得了非常大的成就,积累了大量的有价值的成果。
      缺点
      1.小波变换要求信号在小波窗内具有平稳性,没有完全脱离傅里叶变换的局限性,都受测不准原则的制约。
      2.小波分解对不同信号的分解效果完全取决于小波基的选择,但是目前对于小波基的选择没有理论性的指导。
      3.小波基有限长会造成能量的泄漏,且一旦确定了分析尺度和小波基,也就限定了分析信号的频段,在小波分解和小波重构过程中都无法更换,根据信号全局特征选择的小波基在效果并不理想。因此小波变换对信号的局部并没有适用性,这是小波变换致命能的一个缺点。
      
    3.经验模态分解(Empirical Mode Decomposition, EMD)
      1998年Huang提出的经验模态分解法其实是平稳化处理了信号,按照尺度大小逐级分解信号中的波动或变化趋势,拆分成若干个数据系列,每个序列特征尺度各不相同,但都为一个固有模态分量。EMD不受海森堡测不准原理的影响,吸取了小波变换多分辨率的优势,避免了基函数的选择问题。EMD不需要预定义基函数,也不需要提前知道信号的先验信息,而是依赖信号本身,对信号的局部特征进行分解,对信号的全局和局部都有很好的自适应性。该方法对时变非线性非平稳信号具有很好的分析效果,具有有效的局瞬特性表征能力和较高的时间一频率分辨率。

    《笼型异步电动机多故障仿真模型的建立及诊断方法研究_李双双》

    故障诊断识别

    电机故障诊断实质是模式识别问题,是通过模式识别机制将提取的故障特征信息与电机故障空间的某个类别故障建立映射的过程。
      当前人工神经网络己广泛应用于异步电机早期故障的诊断领域中,利用神经网络的高度的自适应、高度的非线性映射以及并行处理能力与先进的信号分析、模式识别、模糊逻辑、遗传算法、进化机制等结合建立相应的故障特征与故障类型之间的映射关系,实现异步电动机多特征多故障的分类及识别。
      虽然基于神经网络的故障识别方法在实际应用中表现出明显的优势,但是对于高维输入情况,计算量大、收敛速度慢且局部极小值问题严重,泛化和整体推广性能较差;适合大样本等问题还有待于进一步研究解决。

    小波包分析——去噪及提取特征

    小波包分析

    小波包分析的原理
      短时傅里叶变换是将信号线性等间隔划分,而多分辨率分析是按二进制变化的尺度对信号进行时频分解,因此在高频段处频率分辨率较差。
    小波包分析则是在这些方法基础上进行了改进,可以同时在低频与高频处分解,并自适应选择频带,大大地提高了时频分辨率,使小波包变换具有更大的应用空间。

    小波包去噪

    1.去噪原因
      笼型异步电机在发生转子断条、气隙偏心、轴承故障时,定子电流以及电机振动信号中包含着故障特征频率,对信号进行分析和提取,获得反应相应故障的状态特征量。但是现场运行中的异步电机自身会产生较大的机器噪声,同时因受到电气干扰而产生电气噪声,因此采集到的信号中混有大量的高频噪声信号,故在对信号进行特征提取前首要先对信号进行去噪处理,否则对后续的特征信号提取造成不良影响。

    2.小波包的去噪原理
      小波包分解能够实现信号去噪,主要因为小波包变换具有时域局部特性、多分辨率特性、解相关特性和小波基多样性等特点。采用小波包对信号进行去噪过程主要有四个步骤:
      1)信号的小波包分解;
      2)最优小波基的选择;
      3)小波包分解系数的阂值化;
      4)信号的小波包重构。
      信号经过小波包分解后,噪声系数比信号系数小。将小于阈值的分解系数认为是由噪声引起的,予以舍弃;大于阈值的分解系数认为是由信号引起的,予以保留,最后用得到的系数进行小波包重构,即为去噪后的信号。

    小波包提取特征

    小波包能够提供一种更为精细的信号分析方法,能对随着尺度减小而变宽的频率窗口的再细化分割,提高了频率分辨率,因而。它还能够根据信号的特征,自适应地选择相应的频带,使之与信号的频谱相匹配。通过灵活利用小波包分解和重构技术,就有可能提取出反应各个故障的最敏感特征,可用于后续的诊断识别。

    《笼型异步电动机多故障智能诊断及分离方法的研究_王跃龙》

    展开全文
  • 采用合成核函数构造支持向量机模型,运用粒子群优化算法(PSO)对模型参数进行参数寻优,利用UCI数据集的数据进行分类验证。与单核SVM相比,该方法具有更好的分类能力和运算速度。将合成核SVM应用到风机齿轮箱的故障诊断...
  • 基于BP神经网络的电机故障诊断的研究(MATLAB,程序)(课题申报表,任务书,开题报告,中期检查表,外文翻译,论文25600字,程序,答辩PPT)摘 要随着我国经济发展的不断提高,电气化的应用越来越广,异步电动机因其经济、安全...

    基于BP神经网络的电机故障诊断的研究(MATLAB,程序)(课题申报表,任务书,开题报告,中期检查表,外文翻译,论文25600字,程序,答辩PPT)

    摘 要

    随着我国经济发展的不断提高,电气化的应用越来越广,异步电动机因其经济、安全、高效、低耗被广泛的应用于工业生产的各个领域。电动机一旦发生故障不仅仅会损坏电机本身的正常运转,还会影响整个工业生产环节,从而造成巨大的经济损失,电机故障甚至会威胁到人身安全。因此,电机的正常工作显得格外重要,如何对电机加强保护,提高维修水平是一个十分重要的问题,这就对电机故障诊断提出了要求。

    本文首先对异步电动机的结构、基本工作原理、常见的电机故障进行了相关介绍,并介绍了电动机转子断条、故障偏心的特征机理。其次介绍了频谱分析法的基础理论,根据不同类型的电机运行信号得到电流与振动频谱图形,以此来诊断电机的故障。

    本文还对人工神经网络的基本原理进行了研究。利用MATLAB软件,建立基于BP网络的故障诊断结构,根据故障样本数据对网络进行训练,从而实现了对电机的诊断。最后对全文的工作进行了总结,本文从理论上对电机的故障诊断与分类做了分析,之后对处理后的故障特征数据进行了分类,具有一定的理论与实际意义。

    关键词:异步电动机故障诊断;MATLAB;频谱分析;BP神经网络

    ABSTRACT

    Electrification is used more and more widely, asynchronous motor has been widely used in industrial production in various fields because of its economy, safety, high efficiency, low consumption. Motor damage only once fault occurred in the normal operation of motor itself, but also affects the industrial production links, resulting in huge economic losses, electrical breakdown and even threaten the personal safety . Therefore, the normal work of the motor, how important is to strengthen the protection motor to improve maintenance level is a very important problem, it is proposed to electrical fault diagnosis.

    The common fault of the motor is introduced, and introduces the related motor rotor eccentricity, characteristics of the mechanism fault. Secondly introduces spectrum analysis, which is according to the basic theory of different types of electric current and vibration signal get run, in order to diagnose spectrum graphics motor faults.

    This paper also introduced the basic principle of artificial neural networks. based on MATLAB software, build the BP neural network fault diagnosis of fault sample data structure, according to the training of network, thus achieved the diagnosis of motor.

    Keywords:Induction Motor Fault Diagnosis; MATLAB; Spectrum analysis; BP neural network

    本论文研究的对象是在生产系统中应用广泛的异步电动机,主要研究的内容是诊断其故障的方法。主要工作内容安排如下:

    1.  概述课题研究的意义及国内外研究的状况,联系本论文列举故障诊断常见的方法,并阐述异步电动机的原理构造,分析常见的电机故障有哪些。

    2.  具体介绍频谱法诊断电动机故障。叙述频谱法原理与其在故障诊断中的应用,傅里叶变换的原理,MATLAB简介。借助MATLAB对电流与振动信号分析得出频谱图,再根据故障诊断机理判断电动机故障。

    3.  具体介绍BP神经网络理论与其在故障诊断中的应用。对BP神经网络学习算法和网络设计分析,建立一种合适的用于电机故障诊断的网络结构和网络训练参数,并通过仿真实例进行证实。

    089f7862cf104c140148f7585802a152.png

    c2a10b2a443151c81dec760e008b02f8.png

    3a71d554bec8c56e57b36ab9bd9b33f3.png

    bf016b4badda50720911070bb16b68e5.png

    目 录

    1 概述    2

    1.1课题研究的意义    3

    1.2电动机故障诊断技术的国内外发展状况    4

    1.3电动机故障诊断的主要方法    6

    1.4本论文主要研究的内容    8

    2 异步电动机的基本原理及常见故障分析    9

    2.1异步电动机的结构及基本原理    9

    2.2异步电动机常见故障及分析    11

    2.3本章小结    14

    3 基于频谱分析法的电动机故障诊断    15

    3.1频谱法诊断电动机故障    15

    3.2频谱分析诊断电机故障机理    17

    3.3本章小结    22

    4 基于BP人工神经网络的电动机故障诊断    23

    4.1人工神经网络的结构和特性    23

    4.2 BP神经网络    24

    4.3 BP网络在MATLAB中的实现    28

    4.4本章小结    34

    5 总结    35

    参考文献    36

    致谢    38

    展开全文
  • 旋转机械故障诊断公开数据集整理

    万次阅读 多人点赞 2019-04-19 10:17:44
    旋转机械故障诊断公开数据集整理 众所周知,当下做机械故障诊断研究最基础的就是数据,再先进的方法也离不开数据的检验。笔者通过文献资料收集到如下几个比较常用的数据集并进行整理。鉴于目前尚未见比较全面的数据...

    旋转机械故障诊断公开数据集整理

    众所周知,当下做机械故障诊断研究最基础的就是数据,再先进的方法也离不开数据的检验。笔者通过文献资料收集到如下几个比较常用的数据集并进行整理。鉴于目前尚未见比较全面的数据集整理介绍。数据来自原始研究方,笔者只整理数据获取途径。如果研究中使用了数据集,请按照版权方要求作出相应说明和引用。在此,公开研究数据的研究者表示感谢和致敬。如涉及侵权,请联系我删除(787452269@qq.com)。欢迎相关领域同仁一起交流。很多优秀的论文都有数据分享,本项目保持更新。星标是比较通用的数据集。个别数据集下载可能比较困难,需要的可以邮件联系我,如版权方有要求,述不提供。本文在github地址为旋转机械故障数据集

    1.☆CWRU(凯斯西储大学轴承数据中心)

    2.☆MFPT(机械故障预防技术学会)

    NRG Systems总工程师Eric Bechhoefer博士代表MFPT组装和准备数据。

    3.☆德国Paderborn大学

    • 链接:https://mb.uni-paderborn.de/kat/forschung/datacenter/bearing-datacenter/
    • 相关说明及论文[3, 4]。
    • Bin Hasan M. Current based condition monitoring of electromechanical systems. Model-free drive system current monitoring: faults detection and diagnosis through statistical features extraction and support vector machines classification.[D]. University of Bradford, 2013.
    • Lessmeier C, Kimotho J K, Zimmer D, et al. Condition monitoring of bearing damage in electromechanical drive systems by using motor current signals of electric motors: a benchmark data set for data-driven classification: Proceedings of the European conference of the prognostics and health management society, 2016[C].

    4.☆FEMTO-ST轴承数据集

    • 由FEMTO-ST研究所建立的PHM IEEE 2012数据挑战期间使用的数据集[5-7]。
    • FEMTO-ST网站:https://www.femto-st.fr/en
    • github链接:https://github.com/wkzs111/phm-ieee-2012-data-challenge-dataset
      http://data-acoustics.com/measurements/bearing-faults/bearing-6/
    • Porotsky S, Bluvband Z. Remaining useful life estimation for systems with non-trendability behaviour: Prognostics & Health Management, 2012[C].
    • Nectoux P, Gouriveau R, Medjaher K, et al. PRONOSTIA: An experimental platform for bearings accelerated degradation tests.: IEEE International Conference on Prognostics and Health Management, PHM’12., 2012[C]. IEEE Catalog Number: CPF12PHM-CDR.
    • E. S, H. O, A. S S V, et al. Estimation of remaining useful life of ball bearings using data driven methodologies: 2012 IEEE Conference on Prognostics and Health Management, 2012[C].2012
      18-21 June 2012.

    5.☆辛辛那提IMS

    • 数据链接https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/
    • 相关论文[8, 9]。
    • Gousseau W, Antoni J, Girardin F, et al. Analysis of the Rolling Element Bearing data set of the Center for Intelligent Maintenance Systems of the University of Cincinnati: CM2016, 2016[C].
    • Qiu H, Lee J, Lin J, et al. Wavelet filter-based weak signature detection method and its application on rolling element bearing prognostics[J]. Journal of Sound and Vibration, 2006,289(4):1066-1090.

    6.University of Connecticut

    • 数据链接:https://figshare.com/articles/Gear_Fault_Data/6127874/1
    • 数据描述:
      Time domain gear fault vibration data (DataForClassification_TimeDomain)
      And Gear fault data after angle-frequency domain synchronous analysis (DataForClassification_Stage0)
      Number of gear fault types=9={‘healthy’,‘missing’,‘crack’,‘spall’,‘chip5a’,‘chip4a’,‘chip3a’,‘chip2a’,‘chip1a’}
      Number of samples per type=104
      Number of total samples=9x104=903
      The data are collected in sequence, the first 104 samples are healthy, 105th ~208th samples are missing, and etc.
    • 相关论文[10]。
    • P. C, S. Z, J. T. Preprocessing-Free Gear Fault Diagnosis Using Small Datasets With Deep Convolutional Neural Network-Based Transfer Learning[J]. IEEE Access, 2018,6:26241-26253.

    7.XJTU-SY Bearing Datasets(西安交通大学 轴承数据集)

    由西安交通大学雷亚国课题组王彪博士整理。

    • 链接:http://biaowang.tech/xjtu-sy-bearing-datasets/
    • 使用数据集的论文[11]。
    • B. W, Y. L, N. L, et al. A Hybrid Prognostics Approach for Estimating Remaining Useful Life of Rolling Element Bearings[J]. IEEE Transactions on Reliability, 2018:1-12.

    8.东南大学

    • github连接:https://github.com/cathysiyu/Mechanical-datasets
      由东南大学严如强团队博士生邵思雨完成[12]。“Highly Accurate Machine Fault Diagnosis Using Deep Transfer Learning”
      Gearbox dataset is from Southeast University, China. These data are collected from Drivetrain Dynamic Simulator. This dataset contains 2 subdatasets, including bearing data and gear data, which are both acquired on Drivetrain Dynamics Simulator (DDS). There are two kinds of working conditions with rotating speed - load configuration set to be 20-0 and 30-2. Within each file, there are 8rows of signals which represent: 1-motor vibration, 2,3,4-vibration of planetary gearbox in three directions: x, y, and z, 5-motor torque, 6,7,8-vibration of parallel gear box in three directions: x, y, and z. Signals of rows 2,3,4 are all effective.

    9.Acoustics and Vibration Database(振动与声学数据库)

    提供一个手机振动故障数据集的公益性网站链接:http://data-acoustics.com/

    10.机械设备故障诊断数据集及技术资料大全

    有比较多的机械设备故障数据资料:https://mekhub.cn/machine-diagnosis

    11.CoE Datasets美国宇航局预测数据存储库

    • 链接:https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/
      [藻类跑道数据集] [CFRP复合材料数据集] [铣削数据集]
      [轴承数据集] [电池数据集] [涡轮风扇发动机退化模拟数据集] [PHM08挑战数据集] [IGBT加速老化Sata集] [投石机]数据集] [FEMTO轴承数据组] [随机电池使用数据组] [电容器电应力数据组] [MOSFET热过载时效数据组] [电容器电应力数据组 - 2] [HIRF电池数据组]

    参考文献

    • [1]mith W A, Randall R B. Rolling element bearing diagnostics using the Case Western Reserve University data: A benchmark study[J]. Mechanical Systems and Signal Processing, 2015,64-65:100-131.
    • [2]rstraete D, Ferrada A, Droguett E L, et al. Deep learning enabled fault diagnosis using time-frequency image analysis of rolling element bearings[J]. Shock and Vibration, 2017,2017.
    • [3] Bin Hasan M. Current based condition monitoring of electromechanical systems. Model-free drive system current monitoring: faults detection and diagnosis through statistical features extraction and support vector machines classification.[D]. University of Bradford, 2013.
    • [4] Lessmeier C, Kimotho J K, Zimmer D, et al. Condition monitoring of bearing damage in electromechanical drive systems by using motor current signals of electric motors: a benchmark data set for data-driven classification: Proceedings of the European conference of the prognostics and health management society, 2016[C].
    • [5] Porotsky S, Bluvband Z. Remaining useful life estimation for systems with non-trendability behaviour: Prognostics & Health Management, 2012[C].
    • [6] Nectoux P, Gouriveau R, Medjaher K, et al. PRONOSTIA: An experimental platform for bearings accelerated degradation tests.: IEEE International Conference on Prognostics and Health Management, PHM’12., 2012[C]. IEEE Catalog Number: CPF12PHM-CDR.
    • [7] E. S, H. O, A. S S V, et al. Estimation of remaining useful life of ball bearings using data driven methodologies: 2012 IEEE Conference on Prognostics and Health Management, 2012[C].2012
      18-21 June 2012.
    • [8] Gousseau W, Antoni J, Girardin F, et al. Analysis of the Rolling Element Bearing data set of the Center for Intelligent Maintenance Systems of the University of Cincinnati: CM2016, 2016[C].
    • [9] Qiu H, Lee J, Lin J, et al. Wavelet filter-based weak signature detection method and its application on rolling element bearing prognostics[J]. Journal of Sound and Vibration, 2006,289(4):1066-1090.
    • [10] P. C, S. Z, J. T. Preprocessing-Free Gear Fault Diagnosis Using Small Datasets With Deep Convolutional Neural Network-Based Transfer Learning[J]. IEEE Access, 2018,6:26241-26253.
    • [11] B. W, Y. L, N. L, et al. A Hybrid Prognostics Approach for Estimating Remaining Useful Life of Rolling Element Bearings[J]. IEEE Transactions on Reliability, 2018:1-12.
    • [12] S. S, S. M, R. Y, et al. Highly Accurate Machine Fault Diagnosis Using Deep Transfer Learning[J]. IEEE Transactions on Industrial Informatics, 2019,15(4):2446-2455.
    展开全文
  • 轴承故障诊断-西储数据集-深度学习

    千次阅读 多人点赞 2019-11-17 10:08:34
    用于轴承故障诊断的西储数据集及深度学习过程 本文参考:https://csegroups.case.edu/bearingdatacenter/pages/welcome-case-western-reserve-university-bearing-data-center-website 作者在做轴承故障诊断深度学习...

    用于轴承故障诊断的西储数据集及深度学习过程

    本文参考:https://csegroups.case.edu/bearingdatacenter/pages/welcome-case-western-reserve-university-bearing-data-center-website

    作者在做轴承故障诊断深度学习时深感西储数据集下载的难度,借此上传一下自己下载的数据把,需要的可以自取-链接:https://pan.baidu.com/s/1OwlG21T-hGjMJUx_6lPrjA 提取码:al1l
    西储数据集是轴承故障诊断的基本数据集,是由西储大学测试而得,格式为mat,主要适用于轴承故障诊断深度学习。该数据集测试使用加速度采集振动信号,通过使用磁性底座将传感器安放在电机壳体上,加速度传感器分别安装在电机壳体的驱动端12点钟的位置。振动信号是通过16通道的DAT记录器采集,并经过MATLAB处理。数字信号的采样频率为12000Hz,驱动端轴承故障数据同时也以48000Hz的采样速率采集
    主要分为以下几个部分:
    DE - 驱动端加速度数据
    FE - 风扇端加速度数据
    BA - 基本加速度数据
    time - 时间序列数据
    RPM- 测试转速

    而每个数据又包含了轴承直径、电机转速、内圈数据、滚珠数据、外圈数据(在不同测试位置),如下图所示。
    在这里插入图片描述
    下面贴上我在做深度学习参考的大神的博客和代码,供你们参考:
    作者是毕业设计做出的模型,介绍也比较全面-https://blog.csdn.net/zhangjiali12011/article/details/88087437
    源码-https://github.com/zhangjiali1201/Keras_bearing_fault_diagnosis

    展开全文
  • 风力发电机齿轮箱非线性混合机械故障数据驱动诊断
  • 分析了小波包能量和Park矢量提取电机故障特征信号的特点,然后使用粗糙理论对数据建立决策表。...之后,经过进一步约简,得到简化的电机故障诊断的决策规则。最后通过实例进一步验证该方法,保证了该方法的可行性。
  • 针对现有飞机发电机故障诊断流程繁琐、诊断结果精确度低的问题,从数据挖掘角度出发,引用变精度粗糙约简算法处理现有诊断流程系统,为了在小样本条件下更好地提取有效信息,利用对象定义的二元关系和依赖空间给...
  • 使用TensorFlow对一维电机振动信号检测(输入的信号经过了小波变换,8个特征)
  • 1、电机状态预测 文章来源于:http://www.52phm.cn/blog/detail/64 获取方式 链接:http://www.52phm.cn/blog/detail/64 2、参考资料 智能制造数据集
  • 针对现有飞机发电机故障诊断流程繁琐、诊断结果精确度低的问题,从数据挖掘角度出发,引用变精度粗糙约简算法处理现有诊断流程系统,为了在小样本条件下更好地提取有效信息,利用对象定义的二元关系和依赖空间给...
  • PCA算法故障诊断

    2018-12-14 17:07:26
    PCA(主成分分析)算法,主要用于数据降维,保留了数据集中对方差贡献最大的若干个特征来达到简化数据集的目的。 实现数据降维的步骤: 1、将原始数据中的每一个样本用向量表示,把所有样本组合起来构成一个矩阵,...
  • 声音信号故障诊断

    2012-11-29 09:29:53
    研究了语音数字信号处理的基本概念、基本原理、基本分析方法,并且深入研究了基于MATLAB的声音信号采集、处理及滤波器的设计过程和设计的具体方法、步骤和内容
  • 本章主要介绍来自凯斯西储大学的轴承实验数据
  • 本实验采用发电机4个典型故障特征作为分类对象,在采集到的状态数据基础上,训练得出合适的故障诊断模型来对其进行分类。 图2.1 PNN设计流程图  首先在采集到的 200 组故障样本数据中,随机选取 80% 的数据...
  • 实验采集到3种故障和正常运行共448组数据,采用三层小波包分析对数据集进行能量谱提取,然后采用SCG-BP神经网络进行故障诊断分析。结果表明,采用SCG-BP神经网络可以对矿用电机的故障进行快速诊断,准确率远远高于聚类...
  • 数据分类整理后的合集
  • 笔者自2019年初开始致力于收集和整理有价值的机械故障诊断数据。此处分享均为开源数据集,数据来自原始研究方,笔者只整理数据获取途径。如果研究中使用了数据集,请按照版权方要求作出相应说明和引...
  • 凯斯西储大学轴承故障数据集解读(新手版)

    万次阅读 多人点赞 2020-07-05 22:29:57
    最近真是学到一头雾水,光理解凯斯西储大学的轴承数据集就花了好长时间,下载干巴巴的数据集,啥也看不懂,对着论文就更加迷茫(翻白眼儿)。 下面就把我理解的那啥啥整理一下: CWRU链接 提取码:orx3 适合新手进行...
  • 一种基于卷积神经网络的数据驱动故障诊断方法

    千次阅读 热门讨论 2020-12-06 23:26:09
    本文主要分为四个部分: 目录 本文主要分为四个部分: 1.数据预处理 2.使用的CNN框架 3.性能评估 4.总结
  • 通过变步长粒子群算法优化的变分模态分解与Hilbert变换,提取故障信息并离散化处理,构建贝叶斯网络故障诊断模型,对滚动轴承故障发生概率推理,并利用完备、不完备数据集以及噪声试验验证该方法的准确性。仿真结果表明,...
  • 故障预测 数据 数据获取 数据预处理 模型 CNN LSTM GAN 具体情况特殊处理 数据量较大 数据量不足 特征杂糅
  • 针对大中型三相异步电动机可靠、...该系统采用模块化结构,运行状态检测、运行数据记录和故障诊断于一体,可实现大型异步电动机实时、就地监测和故障诊断功能。实验结果表明,该系统运行良好,数据准确,诊断可靠性高。
  • 知识转移策略的跨域故障诊断

    千次阅读 2020-06-13 01:17:09
    知识转移策略的跨域故障诊断背景转移学习概述转移学习方法研究动机和问题设置跨域方法在故障诊断中的应用开源故障数据集 背景 数据驱动诊断方法的常用验证方式为通过将一个数据集分为训练集和测试集来保证这两个先决...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 511
精华内容 204
关键字:

电机故障诊断数据集