格拉姆角场GAF将时序数据转换为图像并应用于东南大学轴承故障诊断（Python代码，CNN模型）

作品简介

因为上传大小超过了100M,因此付费内容为百度网盘链接（永久有效）

环境库

编辑

只要tensorflow版本大于等于2.4.0即可运行

2.GAF的内容

GAF是一种用于时间序列数据可视化和特征提取的技术，通常用于时间序列分类和分析。

GAF的基本思想是将时序数据转换为角度矩阵，然后将这个矩阵可视化为图像。这种可视化方式有助于人们更好地理解和分析时间序列数据。GAF的一种常见用法是在机器学习任务中，将时间序列数据转换为图像特征，然后使用这些特征进行分类、回归或聚类等任务。

3.数据集

1.东南大学采集数据平台

编辑

数据

该数据集包含2个子数据集，包括轴承数据和齿轮数据，这两个子数据集都是在传动系动力学模拟器（DDS）上获取的。（第一个文件夹是轴承数据，第二个文件夹是齿轮数据，本次是针对轴承数据进行故障诊断）

编辑

本实验主要是利用轴承数据(第一个文件夹的数据)进行故障诊断，轴承具体数据

有两种工况，转速-负载配置设置为20-0和30-2。

编辑

每种工况下有：ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)

 20-0工况文件夹编辑

picture_CNN.py主要功能：首先利用1024的固定长度不重叠切割原始数据，生成一维样本，然后利用GAF将一维样本转变成二维图像的程序，然后利用CNN进行故障诊断。

images文件夹（每类300张，一共1200张照片）

编辑

随意选取一张展示

编辑

运行结果(训练集与测试集为：4:1)

编辑

测试集混淆矩阵

编辑

20_0工况下跑3次实验，测试集平均准确率为97.89%

30-2工况文件夹

编辑

images文件夹（每类300张，一共1200张照片）

编辑

随意选取一张

编辑

运行结果（训练集与测试集为：4:1）

编辑

测试集混淆矩阵

编辑

30_2工况下跑3次实验，测试集平

创作时间：