Advertisement

凯斯西储大学轴承实验室的故障诊断数据。

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

简介：
由于数据集存储在MATLAB环境中，因此文件命名采用.mat格式。我个人是在Python环境中进行处理的，并且在支持向量机（SVM）和反向传播神经网络（BPNN）两种算法下均获得了令人满意的结果。此外，原始数据集本身呈现出良好的结构性，并符合正态分布的特征。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 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。
     
  • 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。
     
  • 美国凯斯西储大学轴承故障诊断数据集（来自数据中心）.rar
    优质
    该资料包包含由美国凯斯西储大学提供的轴承故障诊断数据集，适用于机械健康监测研究。文件内含不同状态下的实验数据与分析报告。适合科研人员及工程师使用以进行深入学习和应用开发。 滚珠轴承的状况可以分为四类：健康、滚动元件故障、内滚道故障以及外滚道故障。数据文件均为Matlab格式（.mat）。
     
  • 凯斯西储大学的轴承实验数据
    优质
    凯斯西储大学的轴承实验数据是一套广泛应用于机械工程和数据分析领域的公开数据集。它包含多种类型滚动轴承在不同工况下的振动信号，被研究者用来故障诊断、状态监测及预测维护算法开发。 我们收集了正常轴承以及单点驱动端和风扇端故障的数据。对于驱动端的轴承数据采集频率为12kHz和48kHz。而针对风扇端的轴承，则仅使用了12kHz的频率进行数据采集。 所有数据文件均为Matlab格式（.mat）。每个文件包含有驱动端与风扇端振动信息，以及电机转速的相关记录。在这些文件中，变量名称的具体含义如下： - DE：表示驱动端加速度数据 - FE：代表风扇端加速度数据 - BA：指代基本加速度数据 - time：时间序列数据 - RPM：测试过程中的转速（RPM）
     
  • 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。
     
  • 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。
     
  • 凯斯西储大学的轴承数据
    优质
    凯斯西储大学的轴承数据集是用于机械设备故障诊断与健康监测的研究资源，包含多种运行条件下轴承的状态信息。 本资源整理了西储大学轴承的各项数据及详细的数据说明，内容清晰全面，有助于各类研究者进行分析研究，并提高科研水平。
     
  • 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。
     
  • 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(CRWU)轴承数据集
    优质
    凯斯西绕大学轴承数据集是一套用于研究机械故障诊断的数据集合，涵盖不同状态下轴承运行的振动信号，广泛应用于学术研究与工业实践。 凯斯西储大学轴承数据集.mat文件在官网以表格形式呈现，并无合集下载选项。手动下载需要分别建立文件夹并单独下载后改名。本资源已整合这些工作，将所有内容打包成压缩包供用户下载。