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！！！