基于时域特征和频域特征组合的敏感特征集，再利用SVM或KNN传统分类器进行轴承故障诊断(python编程，代码有详细注释)

1.文件夹介绍（使用的是CWRU数据集）

0HP-3HP四个文件夹装载不同工况下的内圈故障、外圈故障、滚动体故障和正常轴承数据。

这里以打开0HP文件为例进行展示，creat_data.py是处理原始数据的脚本，负责将原始数据切不重叠割成1024的固定长度的样本，切割完，生成的每类故障下有100个样本，一共400个样本。（样本被保存在data_0HP.npy文件里，对应的标签保存在label.npy文件）

code_SVM.py是SVM诊断的脚本，首先利用时域分析和频域分析的方法，获取11种时域特征，12种频域特征

# 计算时域特征 def calculate_time_domain_features(signal): features = [] # 均值 features.append(np.mean(signal)) # 标准差 features.append(np.std(signal)) # 方根幅值 features.append(np.sqrt(np.mean(np.square(signal)))) # 均方根值 features.append(np.sqrt(np.mean(np.square(signal)))) # 峰值 features.append(np.max(signal)) # 波形指标 features.append(np.mean(np.abs(signal)) / np.sqrt(np.mean(np.square(signal)))) # 峰值指标 features.append(np.max(np.abs(signal)) / np.mean(np.abs(signal))) # 脉冲指标 features.append(np.max(np.abs(signal))) # 裕度指标 features.append(np.max(np.abs(signal)) / np.sqrt(np.mean(np.square(signal)))) # 偏斜度 features.append(skew(signal)) # 峭度 features.append(kurtosis(signal)) return features

12种频域特征

# 计算频域特征 def calculate_frequency_domain_features(signal, sample_rate): features = [] # 快速傅里叶变换 spectrum = fft(signal) spectrum = np.abs(spectrum)[:len(spectrum)//2] # 取一半频谱 #频域指标1 features.append(np.mean(spectrum)) # 频域指标2 features.append(np.var(spectrum)) # 频域指标3 features.append(np.sqrt(np.mean(np.square(spectrum)))) # 频域指标4 features.append(np.max(spectrum) / np.sqrt(np.mean(np.square(spectrum)))) # 频域指标5 features.append(kurtosis(spectrum)) # 频域指标6 features.append(skew(spectrum)) # 频域指标7 features.append(np.max(spectrum)) # 频域指标8 features.append(np.min(spectrum)) # 频域指标9 features.append(np.max(spectrum) - np.min(spectrum)) # 频域指标10 features.append(np.max(np.abs(spectrum)) / np.mean(np.abs(spectrum))) # 频域指标11 features.append(np.max(np.abs(spectrum)) / np.sqrt(np.mean(np.square(spectrum)))) # 频域指标12 peak_index = np.argmax(spectrum) peak_frequency = peak_index * sample_rate / len(spectrum) features.append(peak_frequency) return features

.构建评价指标，从时域和频域一共23个指标中选出对故障特征最敏感的前4个特征，这里用的是方差评价指标，也可以选用其它的评价指标

# 选择前4个敏感特征 import numpy as np from sklearn.model_selection import train_test_split # 将特征集转换为NumPy数组 feature_set = np.array(feature_set) # 计算评价指标（这里以方差为例） scores = np.var(feature_set, axis=0) # 选出最敏感的4个特征 selected_indices = np.argsort(scores)[-4:] selected_features = feature_set[:, selected_indices]

2.分类器

获取前4种敏感特征后，输给SVM或KNN等传统分类器，以看效果

基于时域特征和频域特征组合的敏感特征集，再利用SVM或KNN传统分类器进行轴承故障诊断(python编程，代码有详细注释)_哔哩哔哩_bilibili

测试集准确率：

从测试集结果可以看出挑选出来的特征可以很好表征故障。