凯斯西储（CWRU）数据集解读并将数据集划分为10分类（含代码）

凯斯西储大学轴承故障数据集官方网址：https://engineering.case.edu/bearingdatacenter/download-data-file

官方数据集整理版（不用挨个下了）：

链接：https://pan.baidu.com/s/1RAmPFmxdsLhs_hhMMnmklA 提取码：fr5r

处理好的十分类数据集（含源文件与代码）：

链接：https://pan.baidu.com/s/1_3C7e2tAb_bQbl4FcV0EMQ 提取码：7tna

十分类数据集文件说明：

1）100、108~等十个数据文件是从官方的数据集摘出来的

2）之后用matlab（classes10code.m）处理为层c10signals.mat文件

3) 再用python（datasetSample.py）将其处理为十分类数据c10classes.mat

c10classes.mat文件中包含打乱顺序的训练集（900×2048）、测试集（300×2048）

训练集（900×2048）： 900个样本，每个样本包含2048个数据点。

4) 十分类数据集所含内容为如下图片：

凯斯西储数据集解读：

数据格式：轴承故障数据文件为Matlab格式

每个文件包含风扇和驱动端振动数据，以及电机转速，文件中文件变量命名如下：

DE - drive end accelerometer data 驱动端振动数据

FE - fan end accelerometer data 风扇端振动数据

BA - base accelerometer data 基座振动数据

time - time series data 时间序列数据

RPM- rpm during testing 单位转每分钟除以60则为转频

数据采集频率分别为：数据集A：在12Khz采样频率下的驱动端轴承故障数据

数据集B：在48Khz采样频率下的驱动端轴承故障数据

数据集C：在12Khz采样频率下的风扇端轴承故障数据

数据集D：以及正常的轴承数据（采样频率应该是48k的）

数据集B解读：在48Khz采样频率下的驱动端轴承故障直径又分为0.007英寸、0.014英寸、0.028英寸三种类别，每种故障下负载又分为0马力、1马力、2马力、3马力。在每种故障的每种马力下有轴承内圈故障、轴承滚动体故障、轴承外环故障（由于轴承外环位置一般比较固定，因此外环故障又分为3点钟、6点钟和12点钟三种类别）。

在48Khz采样频率下的驱动端轴承故障数据如图：

注：每个文件打开后，如IR007_1文件（48Khz的驱动端内环轴承故障数据下）打开后还会包含 BA：基座；DE:驱动端，FE:风扇端，RPM：转速四个数据，个人理解应该是在驱动端轴承故障的情况下包含BA，DE，FE三个不同位置传感器采集到的数据。

matlab代码：

clc;
clear all;
close all;drive_100 = load('100.mat');
drive_108 = load('108.mat');
drive_121 = load('121.mat');
drive_133 = load('133.mat');
drive_172 = load('172.mat');
drive_188 = load('188.mat');
drive_200 = load('200.mat');
drive_212 = load('212.mat');
drive_225 = load('225.mat');
drive_237 = load('237.mat');% de_100 = drive_100.X100_DE_time(1:121048);
de_100 = drive_100.X100_DE_time(1:4:484192);
de_108 = drive_108.X108_DE_time(1:121048);
de_121 = drive_121.X121_DE_time(1:121048);
de_133 = drive_133.X133_DE_time(1:121048);
de_172 = drive_172.X172_DE_time(1:121048);
de_188 = drive_188.X188_DE_time(1:121048);
de_200 = drive_200.X200_DE_time(1:121048);
de_212 = drive_212.X212_DE_time(1:121048);
de_225 = drive_225.X225_DE_time(1:121048);
de_237 = drive_237.X237_DE_time(1:121048);de_signals = [de_100,de_108,de_121,de_133,de_172,de_188,de_200,de_212,de_225,de_237];
signals = de_signals.';save('c10signals.mat','signals');
whos('-file','c10signals.mat')

python：

import numpy as np
import scipy.io as scio
from random import shuffledef normalize(data):'''(0,1)normalization:param data : the object which is a 1*2048 vector to be normalized '''s= (data-min(data)) / (max(data)-min(data))return  sdef cut_samples(org_signals):''' get original signals to 10*120*2048 samples, meanwhile normalize these samples:param org_signals :a 10* 121048 matrix of ten original signals '''results=np.zeros(shape=(10,120,2048))temporary_s=np.zeros(shape=(120,2048))for i in range(10):s=org_signals[i]for x in range(120):temporary_s[x]=s[1000*x:2048+1000*x]temporary_s[x]=normalize(temporary_s[x])     #顺道对每个样本归一化results[i]=temporary_sreturn resultsdef make_datasets(org_samples):'''输入10*120*2048的原始样本，输出带标签的训练集(占75%)和测试集(占25%)'''train_x=np.zeros(shape=(10,90,2048))train_y=np.zeros(shape=(10,90,10))test_x=np.zeros(shape=(10,30,2048))test_y=np.zeros(shape=(10,30,10))for i in range(10):s=org_samples[i]# 打乱顺序index_s = [a for a in range(len(s))]shuffle(index_s)s=s[index_s]# 对每种类型都划分训练集和测试集train_x[i]=s[:90]test_x[i]=s[90:120]# 填写标签label = np.zeros(shape=(10,))label[i] = 1train_y[i, :] = labeltest_y[i, :] = label#将十种类型的训练集和测试集分别合并并打乱x1 = train_x[0]y1 = train_y[0]x2 = test_x[0]y2 = test_y[0]for i in range(9):x1 = np.row_stack((x1, train_x[i + 1]))x2 = np.row_stack((x2, test_x[i + 1]))y1 = np.row_stack((y1, train_y[i + 1]))y2 = np.row_stack((y2, test_y[i + 1]))index_x1= [i for i in range(len(x1))]index_x2= [i for i in range(len(x2))]shuffle(index_x1)shuffle(index_x2)x1=x1[index_x1]y1=y1[index_x1]x2=x2[index_x2]y2=y2[index_x2]return x1, y1, x2, y2    #分别代表：训练集样本，训练集标签，测试集样本，测试集标签def get_timesteps(samples):''' get timesteps of train_x and test_X to 10*120*31*128:param samples : a matrix need cut to 31*128'''s1 = np.zeros(shape=(31, 128))s2 = np.zeros(shape=(len(samples), 31, 128))for i in range(len(samples)):sample = samples[i]for a in range(31):s1[a]= sample[64*a:128+64*a]s2[i]=s1return s2# 读取原始数据，处理后保存
dataFile= 'G://study of machine learing//deep learning//LSTM//datasets//十个原始信号.mat'
data=scio.loadmat(dataFile)
org_signals=data['signals']
org_samples=cut_samples(org_signals)
train_x, train_y, test_x, test_y=make_datasets(org_samples)
train_x= get_timesteps(train_x)
test_x= get_timesteps(test_x)saveFile = 'G://study of machine learing//deep learning//LSTM//datasets//datasets.mat'
scio.savemat(saveFile, {'train_x':train_x, 'train_y':train_y, 'test_x':test_x, 'test_y':test_y})

引用：

利用python整理凯斯西储大学（CWRU）轴承数据，制作数据集_Victor`Wu的博客-CSDN博客

凯斯西储（CWRU）数据集解读并将数据集划分为10分类（含代码）相关推荐

CWRU（凯斯西储大学轴承数据中心）数据集获取
CWRU(凯斯西储大学轴承数据中心)数据集获取网址 https://engineering.case.edu/bearingdatacenter/apparatus-and-procedures 数据 ...
【凯斯西储大学数据集介绍（CWRU）】
目录实验平台缩写含义总结实验平台实验平台组成: [1]一个2马力的电动机(图左侧): [2]一个扭矩传感器/ 译码器(图中间连接处): [3]一个功率测试计(图右侧): [4]电子控制器(图 ...
利用python整理凯斯西储大学（CWRU）轴承数据，制作数据集
利用python整理凯斯西储大学(CWRU)轴承数据,制作数据集 1 前言 2 制作数据集 2.1 下载数据,初步处理 2.2 上代码 1 前言大多数文献用CWRU数据制作数据集的思路是差不多的,这 ...
凯斯西储轴承数据CWRU数据集制作十分类
凯斯西储轴承数据CWRU数据集制作问题描述解决办法问题描述凯斯西储轴承数据CWRU数据集制作预处理代码. 解决办法基于开源代码的改进. import os from scipy.io imp ...
凯斯西储大学轴承故障数据集解读（新手版）
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). 下面就把我理解的整理一下: CWRU 提取码:dkjd 适合新手进 ...
整理好的凯斯西储大学轴(CWRU)承数据集
网上提供的基本都是matlab文件的凯斯西储轴承数据集,下载之后还需要整理,很麻烦,作为一个深受这种折磨的研究故障诊断的小白,为大家提供自己制作好的数据集,总共有16类故障. 下载链接,及每种标签对应 ...
CWRU（凯斯西储大学）轴承数据
CWRU(凯斯西储大学) 轴承数据实验平台如下图所示: 实验平台组成: 一个2马力的电动机(图左侧): 一个扭矩传感器/ 译码器(图中间连接处): 一个功率测试计(图右侧): 电子控制器(图中没显示 ...
随机森林模型构建--在凯斯西储（CWRU）数据上的简单测试（1）
随机森林模型构建测试–在凯斯西储(CWRU)数据上的简单测试(1) 文章目录随机森林模型构建测试--在凯斯西储(CWRU)数据上的简单测试(1) 1. 实验数据集说明 2. 测试数据说明 3. 随机 ...
Tensorflow2.0：CNN 解决凯斯西储大学轴承数据集的分类问题
文章目录项目介绍代码实现 1.导入需要的库 2.参数设置 3.归一化 4.定义滑窗函数 5.取样本 6.划分训练集和测试集 7.得到 Dataset 类型数据集 8.建立模型 9.初始化优化器 1 ...

凯斯西储（CWRU）数据集解读并将数据集划分为10分类（含代码）

凯斯西储数据集解读：

凯斯西储（CWRU）数据集解读并将数据集划分为10分类（含代码）相关推荐

最新文章

热门文章