MFPT-Fault-Data-Sets-20200227T131140Z-001.zip

数据驱动方法，故障诊断结合，专业基础课程，自学

RoadMap Rotating-machine-fault-data-set Open rotating mechanical fault data set 1.简介 众所周知，当下做机械故障诊断研究最基础的就是数据。笔者自2019年初开始致力于收集和整理有价值的机械故障诊断数据。 此处分享均为开源数据集，数据来自原始研究方，笔者只整理数据获取途径。如果研究中使用了数据集，请按照版权方要求作出相应说明和引用。 笔者自己也在筹划整理私有的数据集和研究成果，未来将以适当的方式共享。 在此，特别向公开研究数据的研究者表示感谢和致敬，共享是一种精神。如涉及侵权，请联系我删除（）。 很多优秀的论文都有数据分享，也有越来越多的研究者和企业选择开源自己的成果，本项目保持更新。星标是比较通用的数据集。

最苛刻的研究的故障树分析

rolling-bear-fault-diagnosis-based-wavelet-time-frequency-map-and-CNN The wavelet time-frequency map is obtained from the original vibration signal, and then input into CNN to realize fault diagnosis, the test set has the highest diagnostic accuracy 在matlab和pytorch0.4下，通过matlab对原始振动信号求取小波时频图，然后输入进pytorchCNN实现故障诊断，测试集诊断精度最高达99.5%。代码出售的、出售的、出售的，需要的加qq2919218574.详细见我的博客： 小波时频数据为：链接: 提取码: xhqz

基于深度学习的机械故障诊断 CNN用于机械故障诊断 这些代码用于两篇论文：“基于基于原始传感信号的卷积神经网络的滚动轴承故障智能诊断”（paper_1）和“基于以振动信号的二维表示作为输入的基于卷积神经网络的轴承故障诊断”（paper_2） ）。 先决条件，Matlab 2013a，Python 2.7.11，Tensorflow（在ubuntu14.04中更好）。 首先，您应该运行image_matrix.m来准备自己的数据。 其次，应该使用disorder_images.py和input_bear_data.py将数据变形为张量流的输入格式。 最后，您可以选择为paper_1运行mnist_b.py或mnist_c.py，为paper_2运行mnist_2d.py。 如果大家对以上研究兴趣，可以进一步参考我的这两篇论文：针对原始振动信号具有良好抗噪和域自适应能力的故障诊断新的深

Keras_bearing_fault_diagnosis 基于CNN的轴承故障识别 1.简介 本科毕设，基于凯斯西储大学公开轴承数据集建立的CNN轴承故障识别模型。 记录相关过程的博客： 数据集： 2.环境 Windows+anaconda 3.框架 Keras 4.依赖 tensorflow;keras;numpy;scipy;os;sklearn;matplotlib 5.说明 cnn_1D.py 构建基础的CNN模型 lstm_diagnosis.py 构建基础的LSTM模型 cnn_diagnosis 论文代码 cnn_valid.py 测试不同全连接层数、卷积层数选择最优模型 preprocess.py 数据预处理（预处理代码来自 ） images文件夹 保存模型流程图； data文件夹 保存数据集； logs文件夹 保存日志

论文题目：基于卷积神经网络的轴承故障诊断算法研究_张伟 main为wdcnn卷积神经网络主文件，运行它就可以得出结果 preprocess为预处理文件，主要实现制作数据集的功能 日志文件保存在logs里面，通过启动tensorboard查看 wdcnn.png为卷积神经网络的结构图像 我只实现了第三章的内容，剩下的没有做

描述了故障树分析，并为其应用提供指导，以进行分析，确定适当的假设、事件和故障模式，并提供识别规则和符号

collect2: fatal error: ld terminated with signal 11 [Segmentation fault], core dumped g++/gcc都不能编译了，一直抱ld的问题。网上找了很多方法都不行，弄了好久终于搞定了