公开的东南大学的齿轮箱数据集
时间: 2023-07-09 11:39:45 浏览: 404
好的,东南大学的齿轮箱数据集是一个公开数据集,包含了多组不同工况下的齿轮箱振动信号和温度信号。该数据集可以用于研究齿轮箱的故障诊断和状态监测等方面。
您可以在以下网址获取该数据集:https://www.phmsociety.org/events/conference/phm/20/data-challenge
该数据集包含了两个子数据集,分别是:
1. 齿轮箱振动信号数据集:包含了4组不同工况下的齿轮箱振动信号,每组数据包含了4个通道的振动信号,采样频率为20kHz,时长为10秒。
2. 齿轮箱温度信号数据集:包含了4组不同工况下的齿轮箱温度信号,每组数据包含了10个通道的温度信号,采样频率为1Hz,时长为10秒。
该数据集还提供了详细的工况信息和数据说明,方便用户进行使用和分析。
相关问题
东南大学齿轮箱数据集处理方法
东南大学齿轮箱数据集是一个用于机器学习和故障诊断的数据集,其中包含了多个齿轮箱的振动信号数据。处理该数据集的方法如下:
1. 数据预处理:将原始数据进行采样和滤波处理,去除噪声和干扰。
2. 特征提取:提取振动信号的时域、频域和时频域特征,例如均值、方差、峰值、包络线等。
3. 特征选择:根据特征的重要性和相关性选择最具有代表性的特征,减少特征维数。
4. 数据归一化:对特征数据进行归一化处理,使不同特征之间的数值具有可比性。
5. 数据划分:将数据集分为训练集、验证集和测试集,用于训练和测试机器学习模型。
6. 模型选择:选择适合该数据集的机器学习模型,例如支持向量机(SVM)、决策树(Decision Tree)、神经网络(Neural Network)等。
7. 模型训练:使用训练集对机器学习模型进行训练,得到最优参数。
8. 模型评估:使用验证集对训练好的模型进行评估,选择最优模型。
9. 模型测试:使用测试集对最优模型进行测试,评估模型的预测效果。
以上是处理东南大学齿轮箱数据集的一般步骤,具体的实现方法取决于所选择的具体机器学习模型和算法。
公开的东南大学的齿轮箱数据缺陷识别的的代码
好的,东南大学的齿轮箱数据缺陷识别的代码是一个基于深度学习的算法,主要用于诊断齿轮箱的故障。代码是公开的,您可以在以下网址获取:
https://github.com/mohongzhi/gearbox-fault-detection
该代码是用Python编写的,基于Tensorflow框架实现了卷积神经网络(CNN)和长短时记忆网络(LSTM)模型,用于对齿轮箱振动信号进行分类和诊断。代码提供了完整的数据预处理、模型训练和测试等功能,可以直接在齿轮箱数据集上进行实验和测试。
另外,该代码还提供了一个基于GUI的交互式界面,方便用户进行可视化操作和结果展示。