AI.x社区

以齿轮箱故障数据为例，故障工况如下：(a)健康状态HEA；(b)切齿故障CTF；(c)缺齿故障MTF；(d)齿根裂纹RCF；(e)齿面磨损SWF；(f)滚动体故障BF；(d)复合故障CWF；(e)内圈故障IRF；(f)外圈故障ORF。下图为齿轮箱九种状态的多尺度特征学习情况。鉴于不同尺寸的卷积核能提取不同频率段的特征，可以看出特征图类似于通常的时间尺度表征映射图，不同尺度的卷积操作能够捕获不同的特征信息，模型可以根据不同的状态输入振动信号自适应地...

案例使用的试验数据来源于常见的凯斯西储大学轴承数据中心，试验台采集的振动信号数据包括四种状态，分别是健康状态、内圈故障、滚动体故障、外圈故障。案例选择驱动端振动传感器采集的数据，采样频率为12000Hz，轴承信号为SKF6205。为简化试验，仅使用电动机负荷为0的振动信号，转速为1797rmin。为便于对注意力的分布进行解释，案例应用包络谱作为模型的输入。对于四种状态的轴承数据，使用滑窗选取55段信号，每段信号包含1200...

importnumpyasnpimportmatplotlib.pyplotaspltimportmatplotlib.cmascmimportpandasaspdimportglobimporttimefromqoresdk.clientimportWebQoreClientfromtqdmimporttqdmnotebookastqdmfromipywidgetsimportIntProgressdf35pd.readcsv('CS235.csv',indexcol0).dropna()df36pd.readcsv('CS236.csv',indexcol0).dropna()df37pd.readcsv('CS237.csv',indexcol0).dropna()df38pd.readcsv('CS238.csv',indexcol0).dropna()PlotParamet...

案例使用的试验数据来源于常见的凯斯西储大学轴承数据中心，试验台采集的振动信号数据包括四种状态，分别是健康状态、内圈故障、滚动体故障、外圈故障。案例选择驱动端振动传感器采集的数据，采样频率为12000Hz，轴承信号为SKF6205。为简化试验，仅使用电动机负荷为0的振动信号，转速为1797rmin。为便于对注意力的分布进行解释，案例应用包络谱作为模型的输入。对于四种状态的轴承数据，使用滑窗选取55段信号，每段信号包含1200...

依据基本原理、分解过程和分解特性，可以将自适应模式分解方法分为三类，分别是基于时域局部特征、基于频谱分割和基于时变滤波的信号分解方法。基于时域局部特征的多分量信号分解方法基于时域局部特征的多分量信号分解方法，依据信号特征自适应地将多分量信号分解为一组分量，为多分量信号的进一步分析提供了便利。对于分解到的分量，一方面可以运用：Hilbert变换、能量算子、归一化Hilbert变换、经验调幅调频分析、广义过零点...