西储大学轴承数据小波变换

现在将一维数据转换为图片的做法也是五花八门，小波变换是最常见的，但是也有不少其他办法。其实思路都是差不多的，都是用一种编码方法把一位数据映射到二维空间，以图片的形式进行表示。除小波变换外，还有格拉米角场 GAFs、马尔可夫变迁场 MTF、递归图、短时傅里叶变换STFT，具体原理大家在其他地方都能很方便的找到，我这儿就不放了，我自己掌握的也有限，只是把相关方法展示出来，供大家参考。今天时间有限，还是先把小波的放出来吧。

小波变换中可以有各种各样的小波类型可选，每种生成的图都是不一样的。

print(pywt.wavelist())['bior1.1', 'bior1.3', 'bior1.5', 'bior2.2', 'bior2.4', 'bior2.6', 'bior2.8', 'bior3.1', 'bior3.3', 'bior3.5', 'bior3.7', 'bior3.9', 'bior4.4', 'bior5.5', 'bior6.8', 'cgau1', 'cgau2', 'cgau3', 'cgau4', 'cgau5', 'cgau6', 'cgau7', 'cgau8', 'cmor', 'coif1', 'coif2', 'coif3', 'coif4', 'coif5', 'coif6', 'coif7', 'coif8', 'coif9', 'coif10', 'coif11', 'coif12', 'coif13', 'coif14', 'coif15', 'coif16', 'coif17', 'db1', 'db2', 'db3', 'db4', 'db5', 'db6', 'db7', 'db8', 'db9', 'db10', 'db11', 'db12', 'db13', 'db14', 'db15', 'db16', 'db17', 'db18', 'db19', 'db20', 'db21', 'db22', 'db23', 'db24', 'db25', 'db26', 'db27', 'db28', 'db29', 'db30', 'db31', 'db32', 'db33', 'db34', 'db35', 'db36', 'db37', 'db38', 'dmey', 'fbsp', 'gaus1', 'gaus2', 'gaus3', 'gaus4', 'gaus5', 'gaus6', 'gaus7', 'gaus8', 'haar', 'mexh', 'morl', 'rbio1.1', 'rbio1.3', 'rbio1.5', 'rbio2.2', 'rbio2.4', 'rbio2.6', 'rbio2.8', 'rbio3.1', 'rbio3.3', 'rbio3.5', 'rbio3.7', 'rbio3.9', 'rbio4.4', 'rbio5.5', 'rbio6.8', 'shan', 'sym2', 'sym3', 'sym4', 'sym5', 'sym6', 'sym7', 'sym8', 'sym9', 'sym10', 'sym11', 'sym12', 'sym13', 'sym14', 'sym15', 'sym16', 'sym17', 'sym18', 'sym19', 'sym20']

我这里只展示其中一种morl小波，好像用这个的比较多。函数代码如下：

def show_cwt(data,i):t = np.arange(0, 2048 / 12000, 1.0 / 12000)wavename = 'morl'  totalscal = 256  # scalefc = pywt.central_frequency(wavename)  # central frequencycparam = 2 * fc * totalscalscales = cparam / np.arange(1, totalscal + 1)[cwtmatr_l, frequencies_l] = pywt.cwt(data, scales, wavename, 1.0 / 12000)  # continuous wavelet transformplt.figure(figsize=(5, 4))plt.contourf(t, frequencies_l, abs(cwtmatr_l), cmap='jet', levels=np.linspace(0, 1.2, 40), extend='both')# plt.contourf(t, frequencies_l, abs(cwtmatr_l), levels=np.linspace(0, 1.2, 40), extend='both')# plt.contourf(t, frequencies_l, abs(cwtmatr_l))plt.ylabel(u"Frequency [Hz]")plt.xlabel(u"Time [sec]")plt.axis('off')  # 不显示坐标轴及边框plt.savefig('test%.f.png'%(i), bbox_inches='tight', pad_inches=-0.1)  # 保存图像不显示白色边框plt.colorbar()plt.show()

生成的系列图片如下：

从左到右依次是正常、内圈、外圈和滚动体故障

如果你在别的地方看到的图片不太一样，可能是小波种类的原因，或者cmap也就是色彩模式的设置以及levels=np.linspace的设置不一样，也就是说plt.contourf对于最终图像的表现形式影响比较大，大家可以自行测试。至于对最终的结果有多大影响，我个人还没有测试，后续我会再写。

今天先写到这里，下一章将写其他几种转换为图片的方法。

西储大学轴承数据小波变换相关推荐

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 ...
美国西储大学轴承数据
如图所示,实验平台包括一个2马力的电机(左侧)(1hp=746W),一个转矩传感器(中间),一个功率计(右侧)和电子控制设备(没有显示).被测试轴承支承电机轴.使用电火花加工技术在轴承上布置了单点故障 ...
tensorflow自编码器+softmax对凯斯西储大学轴承数据进行故障分类
先放参考链接,感谢大神们带来的启发: 凯斯西储大学轴承数据故障分类(使用卷积神经网络) TensorFlow实现MNIST识别(softmax) 前情回顾: tensorflow 自编码器+softm ...
tensorflow 堆叠自编码器SDAE对凯斯西储大学轴承数据进行故障分类
之前的一些介绍:tensorflow自编码器+softmax对凯斯西储大学轴承数据进行故障分类前面研究了一下自编码器,并顺利利用自编码器对轴承数据进行了故障分类,但我们在实际应用时,应用更多的还是堆 ...
凯斯西储大学轴承数据具体处理过程（用作CNN输入）
凯斯西储大学轴承数据具体处理过程本文阐述处理类似凯斯西储大学的轴承数据(一维时间序列信号)的一种方法(结合CNN使用). 原信号在数据文件中是以mat文件呈现,如果想具体查看文件里面放的什么数据,可 ...
凯斯西储大学轴承数据的疑问
这里有两个问题: ①在使用凯斯西储大学轴承数据进行CNN故障分类时, 训练的准确率从开始的慢慢增长,一直到训练几百次之后,准确率会骤降,突然降低到0.1左右,然后一直保持很低的状态,大概是训练模型不起 ...
凯斯西储大学轴承数据介绍及处理
轴承故障诊断一般使用美国凯斯西储大学的数据集进行标准化检测算法的优劣.以下几种实验数据提取和使用方法为我在论文中所看到的.进行以下陈述一.基于 RA-LSTM 的轴承故障诊断方法实验数据采用美国凯 ...
西储大学轴承数据预处理（1）
采用jupyter作为工具,python具体代码分析过程如下:首先取西储大学各类轴承数据如下: 导入所需的库函数: import scipy.io # To use the '.mat' files ...
CWRU数据集-美国西储大学轴承数据
1. 实验平台 1.1 平台组成一个1.5KW(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) 1.2 待测轴承待检 ...

西储大学轴承数据小波变换

西储大学轴承数据小波变换相关推荐

最新文章

热门文章