Advertisement

西储大学轴承数据集，用于轴承故障诊断

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：ZIP

简介：
简介：西储大学轴承数据集是一套专为研究和教学设计的数据集合，涵盖多种工况下的轴承运行信号，旨在支持轴承故障检测与诊断技术的发展。 西储大学数据集和轴承数据集用于进行轴承故障诊断研究。这些数据集被广泛应用于基于机器学习、深度学习及信号处理的轴承故障检测技术中。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 西储大学轴承数据集，用于轴承故障诊断
    优质
    简介：西储大学轴承数据集是一套专为研究和教学设计的数据集合，涵盖多种工况下的轴承运行信号，旨在支持轴承故障检测与诊断技术的发展。 西储大学数据集和轴承数据集用于进行轴承故障诊断研究。这些数据集被广泛应用于基于机器学习、深度学习及信号处理的轴承故障检测技术中。
     
  • WDCCN轴承故障诊断-西储大学_WDCNN_(Python)
    优质
    本项目运用Python实现基于WDCNN算法的WDCCN模型，专为轴承故障诊断设计，借鉴了西储大学公开的数据集。 main是wdcnn卷积神经网络的主文件，运行它可以得出结果。preprocess是预处理文件，主要用于制作数据集。日志文件保存在logs目录中，可以通过启动tensorboard来查看。
     
  • 轴承故障诊断：基于美国西储大学的数据集
    优质
    本研究聚焦于利用美国西储大学提供的数据集进行轴承故障诊断，通过分析不同工况下的信号特征，旨在开发高效的故障检测与预测方法。 美国凯斯西储大学（CWRU）的数据集文件名称采用数据集类型的缩写形式，便于进行文件检索。
     
  • Autogram_轴承故障诊断_Autogram_轴承_故障诊断
    优质
    Autogram是一款专注于轴承故障诊断的专业工具。通过分析振动和噪音数据，提供准确及时的维护建议，有效预防设备损坏与生产中断。 Autogram能够适当地选择频带，用于轴承等故障诊断。
     
  • main_matlab；emd；轴承故障诊断_轴承故障诊断_
    优质
    本项目基于MATLAB环境，运用经验模态分解（EMD）技术进行轴承故障诊断。通过分析信号特征实现对各类轴承故障的有效识别与评估。 基于EMD的滚动轴承故障诊断在驱动计数端内圈故障检测方面效果明显；而在风扇计数端及基础计数端的内圈故障中，基于EMD的包络解调的效果较差或无效，只能观察到转频信号，而无法清晰地识别出故障频率。
     
  • 西储大学12K驱动端轴承数据库，适用于轴承故障诊断研究
    优质
    本数据库由西储大学创建，包含12,000个样本数据，专为轴承故障诊断与分析设计，支持科研人员深入探究滚动轴承健康状态评估技术。 西储大学轴承数据库使用的是12K驱动端轴承数据，包含十种故障类型：正常、0.007滚动体损伤、0.014滚动体损伤、0.021滚动体损伤、0.007内圈损伤、0.014内圈损伤、0.021内圈损伤、0.007外圈损伤、0.014外圈损伤和0.021外圈损伤。每种故障类型包含四种不同的转速，非常适合用于故障诊断研究。
     
  • CBR1.zip_CBR1_轴承故障分类_轴承故障诊断_轴承故障
    优质
    本项目包含一套针对工业设备中常见问题——轴承故障的专业诊断系统。通过先进的算法和数据处理技术，有效识别并分类不同类型的轴承损伤，为维护工作提供精准依据，确保机械运行安全与效率。 这段代码是基于案例推理的滚动轴承故障诊断的MATLAB代码，能够实现故障的自动分类和诊断。
     
  • 西储大学轴承故障数据GUI读取_故障诊断_GUI设计_西储大学
    优质
    本项目基于西储大学公开的轴承故障数据库，开发了一个图形用户界面（GUI），用于便捷地浏览、分析和进行故障诊断。 本段落件包特色如下：1. 包含了西储大学官网上提供的数据两个版本，方便科研人员进行数据分析；2. 提供一个详细的说明文档（Word格式），介绍每个文件的具体工况信息，例如是轴承内圈、外圈故障或滚子故障等；3. 设计了一个原创的GUI界面，便于进一步的数据分析。4. 由于无法上传大文件夹，请通过网盘链接获取相关文件，具体操作请参阅说明文档中的指示。
     
  • 基于HO-VMD-CNN的西储大学轴承故障诊断
    优质
    本研究提出了一种结合Hilbert包络解调（HO）、变模态分解（VMD）及卷积神经网络（CNN）的新型故障诊断方法，专为分析西储大学轴承数据集设计。该模型通过优化特征提取和模式识别过程，显著提升了轴承早期故障检测的准确性和可靠性。 HO-VMD-CNN（高阶变分模态分解-卷积神经网络）是一种结合信号处理与深度学习的先进方法，用于轴承故障诊断，在西储大学的研究中得到应用。该方法首先利用**高阶变分模态分解（HO-VMD）**对轴承振动信号进行处理，通过多层次地分解信号，将故障特征从复杂的原始数据中提取出来。HO-VMD能够有效地提取出信号的本征模式函数（IMF），并去除噪声，增强故障信号的可辨识性。接下来，利用**卷积神经网络（CNN）**对处理后的信号进行分类和识别，通过自动学习信号中的空间特征，CNN能够有效区分不同的故障模式，如轴承磨损、裂纹等。HO-VMD-CNN结合了精细的信号处理技术和深度学习的强大特征提取能力，显著提高了轴承故障诊断的准确率与鲁棒性。
     
  • 凯斯西储大学轴承实验室的故障诊断数据
    优质
    凯斯西储大学轴承实验室的故障诊断数据集包含了详尽的机械设备运行状态记录，尤其专注于滚动轴承在不同工况下的性能变化与失效模式分析。该数据集广泛应用于机械健康监测及预测性维护研究领域。 数据集保存在MATLAB环境下，并以.mat命名。我在Python环境中使用该数据集，在SVM和支持向量机及BPNN（反向传播神经网络）下均获得了良好的结果。原始数据集本身较为整齐，符合正态分布。