# fault_diagnose

**Repository Path**: orisunzhang/fault_diagnose

## Basic Information

- **Project Name**: fault_diagnose
- **Description**: 基于机器学习的故障诊断
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 6
- **Forks**: 2
- **Created**: 2022-03-29
- **Last Updated**: 2024-11-18

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 模型说明
[机器异常检测](anomaly_detection/机器异常检测.md)  
[趋势预测](trend_prediction/趋势预测.md)  
[故障分类](fault_classification/故障分类.md)  

# 代码运行
## 数据准备
  首先准备好CWRU、Paderborn、江南大学、西安交通大学的滚动轴承数据集，放到一个目录下。比如文件组织形式为  
E:\zcy\数据集\CWRU、E:\zcy\数据集\Paderborn、E:\zcy\数据集\JiangNan、E:\zcy\数据集\XiJiao。西交的数据用于做趋势预测，其他数据集用于做故障诊断和故障发现。   
  把上述4个数据集统一转换为npy二进制文件，放到corpus目录下：
```Shell
python .\data_process\cwru_reader.py --source_data E:\zcy\数据集\CWRU
python .\data_process\paderborn_reader.py --source_data E:\zcy\数据集\Paderborn
python .\data_process\jiangnan_reader.py --source_data E:\zcy\数据集\JiangNan
python .\data_process\xjtu_reader.py --source_data E:\zcy\数据集\XiJiao\Data\XJTU-SY_Bearing_Datasets
```
  以上代码会对原始数据进行original、stat、fft、sfft、cwt等变换，把变换后的数据放到相应的目录下。original表示原始数据，没做任何变换；stat表示对原始振动数据计算出了很多统计量（均值、方差等）;fft快速傅利叶变换；sfft适时fft；cwt连续小波变换。所有这些变换函数详见util/signal_processing.py。  
  对西交的数据只执行了stat变换，因为它只用于趋势预测。原始的振动数据是1维的，original、stat、fft变换后还是1维(1d)的，sfft、cwt变换后是2维(2d)的。
## 运行代码
  模型代码一共分为3类，anomaly_detection目录下是异常检测的模型，fault_classification下是故障分类的模型，trend_prediction下是趋势预测的模型，每一个py文件的末尾都有相应的运行命令，直接执行就可以。data_dim用1d，data_trans用original就可以了，fft、sfft、cwt效果并不会更好。