西储大学轴承数据集故障诊断的仿真平台
因为学习需要,因而简单学习了一下PySide2的使用,并粗暴的开发一款简单的故障诊断仿真平台(真的是简单粗暴的一个平台 ̄□ ̄||) ),该平台使用西储大学轴承数据集实现了对轴承的故障诊断。平台主要功能:
- 选择不同算法训练模型
- 使用保存的模型进行故障诊断
- Windows 10
- python 3.6
- anaconda
- Pycharm
- keras 2.24
- tensorflow-gpu 1.12
- pyside2 5.15.2
- scikit-learn 0.23
- numpy
- pandas
- matplotlib
UI 存放的软件平台页面布局文件
data_preprocess.py 数据预处理
diagnosis.py 故障诊断相关函数
feature_extraction.py 特征提取函数
main.py 主程序
message_signal.py 自定义信号
preprocess_train_result.py 处理模性训练结果的相关函数
training_model.py 模型训练的相关函数
算法可以对0马力,采样频率为48KHZ的轴承的9类故障以及正常状态进行分类,这9类故障分别为:
- 滚动体故障:0.1778mm
- 滚动体故障:0.3556mm
- 滚动体故障:0.5334mm
- 内圈故障:0.1778mm
- 内圈故障:0.3556mm
- 内圈故障:0.5334mm
- 外圈故障(6点方向):0.1778mm
- 外圈故障(6点方向):0.3556mm
- 外圈故障(6点方向):0.5334mm
平台中一共使用了4种不同的算法来进行故障诊断,这4种算法分别为:
- 1D_CNN
- LSTM
- GRU
- 随机森林
对于故障诊断的算法以及数据的处理,参考了Jiali Zhang的代码。
对于整体的算法可能并不是很完美,欢迎大家一起讨论改善
这里的显示图片是将其先存到本地,然后再读取显示。后期在新项目中将其改进为使用 GraphicsView控件 嵌入Matplotlib的绘图,但因为这个新项目的诊断算法不太方便透露,所以大家可以参考我的这篇Pyside2中嵌入Matplotlib的绘图,或者直接与我讨论交流!!!