CWRU数据集的二维代码实现

由于CWRU数据集包含多个故障类型和多个工作状态，因此需要对数据进行预处理和特征提取。以下是CWRU数据集二维代码实现的一个简单示例：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.fftpack import fft

# Load data
df = pd.read_csv('data.csv')

# Preprocess data
df = df.dropna()  # Remove missing values
df = df.loc[df['fault'] == 'inner_race']  # Select fault type
df = df.loc[df['status'] == '7']  # Select working status
df = df.drop(['fault', 'status'], axis=1)  # Remove categorical columns

# Feature extraction
time_series = df.values  # Convert to numpy array
fft_series = np.abs(fft(time_series))  # Compute FFT
fft_series = fft_series[:, :fft_series.shape[1]//2]  # Keep only positive frequencies
max_freqs = np.argmax(fft_series, axis=1)  # Find dominant frequency for each sample
features = np.column_stack((np.max(time_series, axis=1), max_freqs))  # Combine features

# Visualize features
plt.scatter(features[:, 0], features[:, 1])
plt.xlabel('Max amplitude')
plt.ylabel('Dominant frequency')
plt.show()

在这个例子中，我们首先加载CWRU数据集的CSV文件，并进行一些预处理步骤。我们选择内圈故障类型和第7个工作状态，并删除分类列。接下来，我们进行特征提取，将每个样本的时域信号转换为频域信号，并提取最大振幅和主频率作为特征。最后，我们将特征可视化为二维空间中的散点图。这个例子只是一个简单的示例，实际应用可能需要更复杂的特征提取和建模方法。