办公家具网站建设公司,湖北华路建设工程有限公司网站,网站建设文化如何,怎样修改wordpress版权信息运行代码要求#xff1a;
代码运行环境要求#xff1a;Keras版本2.4.0#xff0c;python版本3.6.0
本次实验主要是在两种不同工况数据下#xff0c;进行带有复合故障的诊断实验#xff0c;没有复合故障的诊断实验。
实验结果证明#xff0c;针对具有复合故障的…运行代码要求
代码运行环境要求Keras版本2.4.0python版本3.6.0
本次实验主要是在两种不同工况数据下进行带有复合故障的诊断实验没有复合故障的诊断实验。
实验结果证明针对具有复合故障的数据集需要 研发特定的算法才能更好区分复合故障数据集。
1.东南大学采集数据平台 数据
该数据集包含2个子数据集包括轴承数据和齿轮数据这两个子数据集都是在传动系动力学模拟器DDS上获取的。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齿轮数据进行故障诊断 本实验主要是利用轴承数据(第一个文件夹的数据)进行故障诊断轴承具体数据
有两种工况转速-负载配置设置为20-0和30-2。
每种工况下有ball(滚动体故障)、comb(复合故障即包含滚动体、外圈、内圈故障)health(健康)、inner(内圈故障)、outer(外圈故障) code_20.py是只使用20_0工况下ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集诊断。没有使用复合故障数据集
code_20_0.py是使用20_0工况下ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)、comb(复合故障即包含滚动体、外圈、内圈故障)诊断
code_30.py是只使用30_2工况下ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集诊断。没有使用复合故障数据集
code_30_2.py是使用30_2工况下ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)、comb(复合故障即包含滚动体、外圈、内圈故障)诊断
模型 首先在20-0工况数据集下实验
2.1.使用ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集。没有使用复合故障数据集
每类故障有1000个样本一共4000个样本训练集与测试集比例是9:1训练集3600个样本测试集400个样本 测试集的混淆矩阵以样本个数呈现 测试集的混淆矩阵以准确率数呈现 2.2.使用ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集comb(复合故障即包含滚动体、外圈、内圈故障)。
每类故障有1000个样本一共5000个样本训练集与测试集比例是9:1训练集4500个样本测试集500个样本
从结果可以看出CNN对带有复合故障的数据集诊断准确率不高需要区分复合故障与单独故障的特定算法 才能提高准确率 测试集的混淆矩阵以样本个数呈现 测试集的混淆矩阵以准确率数呈现 3.在30-2工况数据集下实验
3.1.使用ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集。没有使用复合故障数据集
每类故障有1000个样本一共4000个样本训练集与测试集比例是9:1训练集3600个样本测试集400个样本 测试集的混淆矩阵以样本个数呈现 测试集的混淆矩阵以准确率数呈现 3.2.
使用ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集comb(复合故障即包含滚动体、外圈、内圈故障)。
每类故障有1000个样本一共5000个样本训练集与测试集比例是9:1训练集4500个样本测试集500个样本 从结果可以看出CNN对带有复合故障的数据集诊断准确率虽然不低但是准确率不稳定。 测试集的混淆矩阵以样本个数呈现 测试集的混淆矩阵以准确率数呈现 本次项目所有代码和数据放在了压缩包
import pandas as pd
import pandas as pd
import numpy as np
from keras.utils import np_utils
from sklearn import preprocessing
import tensorflow as tf
from matplotlib import pyplot as plt
#压缩包https://mbd.pub/o/bread/ZJyTlp9y
