基于深度学习的机械故障诊断.zip

''' Time: 2022/10/8 20:26 Author: Tan Qiyu Code: https://github.com/Tan-Qiyu/GNN_FD ''' """ 生成不同数据集的不同图像数据集 """ ''' --------------------------------------------------参数介绍------------------------------------------ dataset_name： 数据集名称 CWRU、SEU（bearing、gear）、XJTU、Bearing_311、QianPeng_gear、JNU、MFPT、Wind_Gearbox、UoC、DC、SQV 共11个公开数据集 dataset_path： 数据集目录地址 CWRU "E:\故障诊断数据集\凯斯西储大学数据" -------------------------------------------# 凯斯西储大学轴承数据集 SEU "E:\故障诊断数据集\东南大学\Mechanical-datasets\gearbox\bearingset" --------- -# 东南大学轴承子数据 SEU "E:\故障诊断数据集\东南大学\Mechanical-datasets\gearbox\gearset" --------------# 东南大学齿轮子数据 XJTU "E:\故障诊断数据集\XJTU-SY_Bearing_Datasets\Data\XJTU-SY_Bearing_Datasets"----# 西安交通大学-昇阳轴承退化数据集 Bearing_311 "E:\故障诊断数据集\LW轴承实验数据2016(西安交通大学)"-----------------------# 西交试验台数据集：马萍、张西宁等 QianPeng_gear "E:\故障诊断数据集\齿轮箱故障数据_千鹏公司"--------------------------------# 千鹏公司齿轮箱数据集 JNU "E:\故障诊断数据集\江南大学轴承数据(一)\数据"-------------------------------------# 江南大学轴承数据集 MFPT "E:\故障诊断数据集\MFPT Fault Data Sets"--------------------------------------# 美国-机械故障预防技术学会MFPT数据集 Wind_Gearbox "E:\故障诊断数据集\fault-dataset_2d-collection-main\fault-dataset_2d-collection-main\HS_gear"--------# 风机齿轮箱数据集 UoC "E:\故障诊断数据集\美国-康涅狄格大学-齿轮数据集"------------------------------------# 美国-康涅狄格大学-齿轮数据集 DC "E:\故障诊断数据集\DC轴承数据"--------------------------------------------------# 中国-轴承数据集（DC竞赛） SQV "E:\故障诊断数据集\SQV-public"-------------------------------------------------# SQV轴承变转速数据集 dir_path: CWRU数据集的采样频率和传感器位置 12DE # 12kHZ Drive End Dataset 48DE # 48kHZ Drive End Dataset SEU_channel: SEU数据集的数据通道 0、1、2、3、4、5、6、7 共8个通道 minute_value： XJTU-SY数据集使用最后多少个文件数据进行实验验证 XJTU_channel： XJTU-SY数据集的数据通道 X Y XY 共3种通道 QianPeng_rpm: QianPeng_gear数据集的电机转速（rpm） 880 1470 QianPeng_channel: QianPeng_gear数据集的信号通道 0、1、2、3、4、5、6、7 wind_mode： Wind_Gearbox数据集分类任务 2 17 sample_num： 生成每一种故障类型的样本数（CWRU数据集除外，为每一种故障下的一种工况的样本数，即CWRU每一类故障样本数为sample_num * 工况数 = sample_num * 4） sample_length： 样本采样长度 = 网络的输入特征长度 overlap： 滑窗采样偏移量，当sample_length = overlap时为无重叠顺序采样 norm_type： 原始振动信号的归一化方式 unnormalization # 不进行归一化 Z-score Normalization # 均值方差归一化 Max-Min Normalization # 最大-最小归一化：归一化到0到1之间 -1 1 Normalization # 归一化到-1到1之间 noise: 是否往原始振动信号添加噪声 0 # 不添加噪声 1 # 添加噪声 snr： 当noise = 1时添加的噪声的信噪比大小；当noise = 0时此参数无效 image_type: 生成图像的类型 cwt_time_frequency_image # 小波时频图 GAF # 格拉姆角场 Recurrence_image # 递归图 MarkovTransField_image # 马尔可夫迁移场 STFT_image # 短时傅里叶变换时频图 save_dataset_dirpath： 保存图像数据集文件的路径 ''' import argparse from 深度学习故障诊断.dataset_2d.CWRU_image_dataset import generate_CWRU_image from 深度学习故障诊断.dataset_2d.SEU_image_dataset import generate_SEU_image from 深度学习故障诊断.dataset_2d.XJTU_image_dataset import generate_XJTU_image from 深度学习故障诊断.dataset_2d.Bearing311_image_dataset import generate_bearing311_image from 深度学习故障诊断.dataset_2d.QianPeng_image_dataset import generate_QianPeng_image from 深度学习故障诊断.dataset_2d.JNU_image_dataset import generate_JNU_image from 深度学习故障诊断.dataset_2d.MFPT_image_dataset import generate_MFPT_image from 深度学习故障诊断.dataset_2d.WindGearbox_image_dataset import generate_WindGear_image from 深度学习故障诊断.dataset_2d.Uoc_image_dataset import generate_UoC_image from 深度学习故障诊断.dataset_2d.DC_image_dataset import generate_DC_image from 深度学习故障诊断.dataset_2d.SQV_image_dataset import generate_SQV_image def parse_args(): parser = argparse.ArgumentParser() # basic parameters #===================================================dataset_2d parameters============================================================================= parser.add_argument('--dataset_name', type=str, default='CWRU', help='the name of the dataset_2d') parser.add_argument('--dataset_path', type=str, default=r"E:\故障诊断数据集\凯斯西储大学数据", help='the file path of the dataset_2d') parser.add_argument('--dir_path', type=str, default='12DE', help='CWRU：12DE ; 48DE') parser.add_argument('--SEU_channel', type=int, default=1, help='SEU channel signal：0-7') parser.add_argument('--minute_value', type=int, default=10, help='the last (minute_value) csv file of XJTU datasets each fault class') parser.add_argument('--XJTU_channel', type=str, default='X', help='XJTU channel signal:X 、Y 、XY') parser.add_argument('--QianPeng_rpm', type=int, default=880, help='the motor rpm of QianPeng_gear dataset_2d--880 or 1470') parser.add_argument('--QianPeng_channel', type=int, default=3,help='the signal channel of QianPeng_gear dataset_2d--0-8') parser.add_argument('--wind_mode', type=int, default=17,help='Wind_Gearbox mode-- 17 fault class / 2 fault class') # ===================================================data preprocessing parameters============================================================================= parser.add_argument('--sample_num', type=int, default=200,help='the number of samples') parser.add_argument('--sample_length', type=int, default=1024, help='the length of each samples') parser.add_argument('--overlap', type=int, default=1024, help='the sampling shift of neibor two samples') parser.add_argument('--norm_type', type=str, default='unnormalization',help='unnormalization、Z-score Normalization、Max-Min Normalization、-1 1 Normalization') parser.add_argument('--noise', type=int, default=0, help='whether add noise') parser.add_argument('--snr', type=int, default=0, help='the snr of noise') parser.add_argument('--image_type', type=str, default='cwt_time_frequency_image', help='the type of generated image') parser.add_argument('--save_dataset_dirpath', type=str,default=r"E:\FD_image_datasets",help='the dirpath of saved dataset_2d') args = parser.parse_args() return args if __name__ == '__main__': args = parse_args() if args.dataset_name == 'CWRU': generate_CWRU_image(dataset_path=args.dataset_path, sample_number=args.sample_num, dir_path=args.dir_path, window_size=args.sample_length, overlap=args.overlap, normalization=args.norm_type, noise=args.noise, snr=args.snr,image_type=args.image_type, save_path=args.save_dataset_dirpath) elif args.dataset_name == 'SEU': generate_SEU_image(dataset_path=args.dataset_path, channel=args.SEU_channel,sample_number=args.sample_num, window_siz