个人工作室如何做网站wordpress 首页折叠

个人工作室如何做网站,wordpress 首页折叠,专注小程序定制开发,中小企业建网站哪个好1.文件夹介绍#xff08;使用的是CWRU数据集#xff09; 0HP-3HP四个文件夹装载不同工况下的内圈故障、外圈故障、滚动体故障和正常轴承数据。 这里以打开0HP文件为例进行展示#xff0c;creat_data.py是处理原始数据的脚本#xff0c;负责将原始数据切不重叠割成1024的固…1.文件夹介绍使用的是CWRU数据集0HP-3HP四个文件夹装载不同工况下的内圈故障、外圈故障、滚动体故障和正常轴承数据。这里以打开0HP文件为例进行展示creat_data.py是处理原始数据的脚本负责将原始数据切不重叠割成1024的固定长度的样本切割完生成的每类故障下有100个样本一共400个样本。样本被保存在data_0HP.npy文件里对应的标签保存在label.npy文件code_SVM.py是SVM诊断的脚本首先利用时域分析和频域分析的方法获取11种时域特征12种频域特征# 计算时域特征 def calculate_time_domain_features(signal): features [] # 均值 features.append(np.mean(signal)) # 标准差 features.append(np.std(signal)) # 方根幅值 features.append(np.sqrt(np.mean(np.square(signal)))) # 均方根值 features.append(np.sqrt(np.mean(np.square(signal)))) # 峰值 features.append(np.max(signal)) # 波形指标 features.append(np.mean(np.abs(signal)) / np.sqrt(np.mean(np.square(signal)))) # 峰值指标 features.append(np.max(np.abs(signal)) / np.mean(np.abs(signal))) # 脉冲指标 features.append(np.max(np.abs(signal))) # 裕度指标 features.append(np.max(np.abs(signal)) / np.sqrt(np.mean(np.square(signal)))) # 偏斜度 features.append(skew(signal)) # 峭度 features.append(kurtosis(signal)) return features12种频域特征# 计算频域特征 def calculate_frequency_domain_features(signal, sample_rate): features [] # 快速傅里叶变换 spectrum fft(signal) spectrum np.abs(spectrum)[:len(spectrum)//2] # 取一半频谱 #频域指标1 features.append(np.mean(spectrum)) # 频域指标2 features.append(np.var(spectrum)) # 频域指标3 features.append(np.sqrt(np.mean(np.square(spectrum)))) # 频域指标4 features.append(np.max(spectrum) / np.sqrt(np.mean(np.square(spectrum)))) # 频域指标5 features.append(kurtosis(spectrum)) # 频域指标6 features.append(skew(spectrum)) # 频域指标7 features.append(np.max(spectrum)) # 频域指标8 features.append(np.min(spectrum)) # 频域指标9 features.append(np.max(spectrum) - np.min(spectrum)) # 频域指标10 features.append(np.max(np.abs(spectrum)) / np.mean(np.abs(spectrum))) # 频域指标11 features.append(np.max(np.abs(spectrum)) / np.sqrt(np.mean(np.square(spectrum)))) # 频域指标12 peak_index np.argmax(spectrum) peak_frequency peak_index * sample_rate / len(spectrum) features.append(peak_frequency) return features.构建评价指标从时域和频域一共23个指标中选出对故障特征最敏感的前4个特征这里用的是方差评价指标也可以选用其它的评价指标# 选择前4个敏感特征 import numpy as np from sklearn.model_selection import train_test_split # 将特征集转换为NumPy数组 feature_set np.array(feature_set) # 计算评价指标这里以方差为例 scores np.var(feature_set, axis0) # 选出最敏感的4个特征 selected_indices np.argsort(scores)[-4:] selected_features feature_set[:, selected_indices]2.分类器获取前4种敏感特征后输给SVM或KNN等传统分类器以看效果基于时域特征和频域特征组合的敏感特征集再利用SVM或KNN传统分类器进行轴承故障诊断(python编程代码有详细注释)_哔哩哔哩_bilibili测试集准确率模型0HP1HP2HP3HPSVM100%100%96.25%100%KNN100%100%97.50%100%从测试集结果可以看出挑选出来的特征可以很好表征故障。