- 博客(42)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 python实战故障诊断之CWRU数据集（五）：线性判别模型及二次判别模型的应用
本章节通过分析轴承振动数据得到了系列信号特征，采用fisher_score方法，获取了两个敏感特征，最后采用线性判别模型及二次判别模型获取了故障尺寸的分类模型。
2022-09-01 13:19:28
1053
1
原创 python实战故障诊断之CWRU数据集（四）：线性回归模型的应用
本章节通过分析轴承振动数据得到了系列信号特征，将各特征与轴承故障尺寸进行相关分析，获取了相关性最好的一个特征，最后采用线性回归模型对该特征与故障尺寸之间的关系进行了分析，相关分析结果及过程可有效指导实际故障诊断及故障预测。......
2022-08-30 21:06:14
1151
3
原创 python实战故障诊断之CWRU数据集（三）：信号预白化处理-倒谱预白化（CEP pre-whitening）
在轴承故障中，故障信号通常较为微弱，很可能被设备周期性运转产生的强周期性信号所淹没，导致无法准确识别故障，这时我们需要用到信号预白化方法来提取故障信息。通过线性预测方法实现， 如基于信号自回归模型分离振动信号的确定性分量，留下的残余信号包含白噪声和轴承损伤引起的非平稳冲击;通过倒谱编辑实现信号的预白化。本章主要介绍基于倒频谱的信号预白化方法。
2022-08-23 13:43:42
2346
1
原创 Python在振动信号处理中的应用（十三）：信号的延时处理
在振动信号分析中，我们常常需要对信号进行延时处理，对于单周期性信号的延时处理较为方便，通过简单计算就可实现，而对于我们实际应用中的复杂宽频信号需要怎样实现呢？本章将带领大家感受一下信号处理的魅力。
2022-08-21 17:08:46
999
2
原创 python实战故障诊断之CWRU数据集（二）：异常数据剔除及包络解调初步探索
在完成了CWRU数据的初步探索后，我们需要注意到，该数据库中存在较多异常数据，具体异常表现形式包括电噪声干扰、驱动端与风扇端传感器信号混淆以及分段采集信号整合。本章节将首先带领大家观察并剔除这些异常信号，此外对于正常信号，我们采用平方解包络的方法对信号进行初步探索。......
2022-07-21 18:29:09
2262
3
原创 python实战故障诊断之CWRU数据集（一）：数据集初识
在完成了振动信号处理的基础篇与高级篇后，不少读者建议采用真实数据对各类振动信号算法进行剖析。经过几个月的搜集与积累，笔者决定从公开的凯斯西储大学(CWRU)轴承数据入手，以新南威尔士大学RobertB.Randall教授数十年多篇论文为切入点，继续与大家探索隐藏在振动信号中的奥秘。.........
2022-07-20 22:38:15
5867
2
原创 Pyhon在振动信号处理中的高级应用（十二）：振动信号的包络解调技术
有好几个读者私信博主，希望讲一下振动信号的包络解调技术。包络解调技术作为机械故障诊断重要的方法，具有一定的技术难度，博主将工作中常用的几种包络解调技术（hilbert变换解调、检波滤波解调以及细化平方解调方法）进行了归纳及python实现，希望能给大家一些帮助。.........
2022-06-17 18:24:08
1989
10
原创 Pyhon在振动信号处理中的高级应用（七）：自适应滤波降噪（LMS、RLS算法）
文章目录一、概述二、算法原理三、Python实现四、Tips一、概述 自适应滤波是近年以来发展起来的一种最佳滤波方法。它是在维纳滤波,Kalman滤波等线性滤波基础上发展起来的一种最佳滤波方法。由于它具有更强的适应性和更优的滤波性能。从而在工程实际中,尤其在信息处理技术中得到了广泛的应用。自适应滤波存在于信号处理、控制、图像处理等许多不同领域，它是一种智能更有针对性的滤波方法，通常用于去噪。二、算法原理 LMS算法原理 RLS算法原理 大神的讲解由于CSDN各路大神已经有不少原理方面的
2022-04-23 15:09:19
4589
8
原创 Pyhon在振动信号处理中的高级应用（六）：基于AR模型的线性降噪
文章目录一、概述二、算法原理三、Python实现四、Tips一、概述 自回归模型（Autoregressive model，简称AR），是统计学中一种处理时间序列的方法，用同一变数例，如yty_{t}yt的历史值，亦即yt−1−Ny_{t-1-N}yt−1−N至yt−1来预测y_{t-1}来预测yt−1来预测y_{t}$的表现，并假设它们为一线性关系。因为这是从回归分析中的线性回归发展而来，只是不用x预测y，而是用x预测 x（自己），因此称为自回归。 基于AR模型降噪的基本思路是信号有确定性
2022-04-22 20:57:03
1906
2
原创 Pyhon在振动信号处理中的高级应用（十一）：监督式特征的选择方法（F_Score、Chi-square Score、mRMR）
一、概述 本章节我们继续讨论和实现监督式故障诊断的特征选择算法（F_Score、Chi-square Score、mRMR方法），纯手撸代码，谢谢大家支持。二、F_Score原理及实现2.1 F_Score计算原理 F-score是特征选择中比较简单和有效的方法，也是很常用的一种方法。 第 i\mathrm{i}i 个特征的F-score的计算公式如下所示:F(i)≡(x‾i(+)−x‾i)2+(x‾i(−)−x‾i)21n+−1∑k=1n+(xk,i(+)−x‾i(+))2+1n−−1∑
2022-04-04 17:45:01
1789
1
原创 五、python实现人工蜂群算法（简单明了版）
蜂群算法的核心思想其实是观察蜂跟随采蜜蜂在蜜源周围的采蜜过程，蜜蜂之间如何转换，按照何种策略从侦查蜂中选择采蜜蜂等等，对算法的性能和结果影响都不大。基于此，作者完成了较为简单明了的python实现方法。
2022-03-05 21:42:57
2004
原创 四、python实现粒子群算法
文章目录一、概述二、算法原理2.1 模拟捕食2.2 启示2.3 算法流程三、python实现3.1 构建目标函数3.2 算法实现一、概述 粒子群优化算法(Particle Swarm optimization,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能 (Swarm intelligence, SI) 的一种。它可以被纳入多主体优化系统(Multiagent Optimization System
2022-02-15 21:56:56
1705
原创 三、python实现模拟退火算法
文章目录一、概述二、算法原理三、python实现3.1 构建目标函数3.2 构建目标函数四、Tips一、概述 模拟退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性能,目前已在工程中得到了广泛应用，诸如机器学习、神经网络、信号处理等领域。二、算法原理 模拟退火算法的思想借鉴于固体的退火原理，当固体的温度很高的时候，内能比较大，固体的内部粒子处于快速无序运动，当温度慢慢降低的过程中，固体的内能减小，粒子的慢慢趋于有序，最终，当固体处于常温时，内能达到最小，此时，粒子最为稳定。模拟退火
2022-02-14 21:35:00
3339
原创 二、简单易用的Python代码加密方法（基于Cython）
文章目录一、前言二、Python加密方法（基于Cython）三、Python代码加密及加密后的使用3.1 编写自己的代码3.2 制作setup文件3.3 生成.so(.pyd)文件3.4 使用.so(.pyd)文件四、Tips一、前言 不知道你是不是打工人，但笔者还是忍不住在文章开头叨叨两句。笔者最近挺烦躁，工作中辛辛苦苦做的算法和代码总被人觊觎（ps：虽然也没那么多技术含量），虽然笔者不想理他们，只想安安静静的搞项目，但也架不住有人想方设法的摘桃子，这也是我把这篇文章方法疑难杂症专栏的原因。怎么办？
2022-01-19 22:31:17
2568
8
原创 二、Geatpy实现遗传算法（二）：采用面向对象的进化算法框架
文章目录一、概述二、案例实现2.1 案例说明2.2 进化差分算法原理2.3 代码实现三、Tips一、概述 上一篇文章中，脚本编程法虽然可以很深入到进化算法的每个步骤，但代码量确实是太大了。虽然它也具备一定的通用性，比如当需要求解另一个优化问题时，可以通过修改aim()目标函数以及修改变量范围设置等来适应新的问题，但会比较容易出错。此外，上述编程脚本所实现的仅仅是简单的带精英保留的遗传算法，当需要修改算法、采用新的更好的进化算法进行问题的求解时，所需要改动的代码就非常大了。因此，更好、更简便的方式是采用
2022-01-18 21:51:24
1181
原创 一、Geatpy实现遗传算法（一）：编写脚本实现进化算法
文章目录一、概述二、基本流程三、基本流程四、Tips一、概述 在Geatpy上有3种基本的方法来求解问题： 1. 直接使用工具箱提供的库函数，通过编写脚本来实现进化算法并且求解问题。 2. 使用Geatpy提供的面向对象进化算法框架，利用内置的算法模板求解问题。 3. 使用Geatpy提供的面向对象进化算法框架，通过自定义进化算法模板实现进化算法并且求解问题。 本章将先介绍如何使用第一种方法。二、基本流程 脚本编程法是Geatpy最原生、最基础的使用方式。它通过直接调用工具箱的库
2022-01-17 22:54:01
1980
原创 Pyhon在振动信号处理中的高级应用（九）：独立分量分析（ICA）
文章目录一、概述二、算法原理三、Python实现四、Tips一、概述测试信号中所含状态信息量的多少，是机械监测诊断的关键。振动和噪声是机械故障诊断中常用的信号源。但是在机器的实际诊断监测中，由于振动源多、振动传递路径复杂，由传感器搜集到的信息往往是多个振动激励源信号的总和。对于特定部件激振的振动信号来说，测试得到的振动信号信噪比较低。独立分量分析为分离和提取混合信号中的源信号提供了一个有力的工具。下面我们来看一下如何通过ICA算法实现降噪。二、算法原理 关于独立分量分析的算法可见独立成分（ICA）
2022-01-09 17:28:00
3077
原创 Pyhon在振动信号处理中的高级应用（八）：主分量分析（PCA）噪声压缩
文章目录一、概述二、算法原理三、python实现四、Tips一、概述 主成分分析，是考察多个变量间相关性一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关，也可以理解为将原信号进行压缩。 在对原信号进行PCA压缩的过程中，噪声也同样被压缩，再对PCA结果重新恢复时，因为PCA过程保留了原信号主成分，因此信号主要特征得到了保留，而噪声信号已被压缩而无法恢复，这就是PCA去噪的原理。二、算法原
2022-01-08 22:51:18
2988
原创 Pyhon在振动信号处理中的高级应用（五）：小波去噪
文章目录一、概述二、算法原理2.1 离散二进小波分析一、概述 小波变换（wavelet transform，WT）是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间（空间）频率的局部化分析，通过伸缩平移运算对信号（函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求
2022-01-07 21:53:20
3492
5
原创 Pyhon在振动信号处理中的高级应用（四）：匹配滤波去噪
文章目录一、概述二、基本原理三、python实现3.1 生成模拟信号3.2 源信号匹配滤波3.3 自相关匹配滤波四、Tips一、概述 匹配滤波（matched filtering）是最佳滤波的一种，该滤波器的准则是输出信噪比最大，常用于通信、雷达等系统的接收机中，当输入信号具有某一特殊波形时，其输出达到最大。说人话就是，假设我们有两个信号A和B，用A来对B信号进行滤波，如果B信号与A信号波形一致，其输出值最大。匹配滤波因其滤波效果极佳，在振动信号处理中也得到了大量的应用。举个例子，在对设备机脚振动信号
2022-01-06 20:25:28
3102
3
原创 Pyhon在振动信号处理中的高级应用（三）：希尔伯特-黄变换（HHT）的改进（EEMD\CEEMD）
文章目录一、概述二、算法原理2.1 EEMD2.2 CEEMD三、python实现3.1 EEMD核心代码3.2 CEEMD核心代码四、Tips一、概述 在上一篇文章中，我们虽然对模拟振动信号进行了HHT分析，但是从结果中大家可以看到，处理后得到的不管是瞬时频率还是瞬时幅值均有震荡，这种震荡也叫模态混叠，具体的表现为一个IMF分量中存在多个尺度成分，或者是一个尺度成分在多个IMF分量中存在。 为了解决这个问题，人们提出了采用噪声辅助处理方法，EEMD（总体经验模态分解）以及CEEMD（补充总体经验
2022-01-03 16:49:53
5180
6
原创 Pyhon在振动信号处理中的高级应用（二）：希尔伯特-黄变换（HHT）的实现
文章目录一、概述二、算法原理2.1 瞬时频率2.2 经验模态分解(EMD)三、python中实现3.1 生成模拟信号3.2 EMD变换3.3 Hilbert变换四、Tips一、概述 希尔伯特-黄变换（HHT）是一种非线性、非平稳信号的分析处理方法。它主要有经验模态分解（EMD）和希尔伯特变换两个理论部分构成，经验模态分解可以将任意信号分解为一系列固有模式函数的集合；固有模式函数再经过希尔伯特频谱分析，可以得到瞬时频率。因此经过希尔伯特-黄变换最终可以得到非线性、非平稳信号的时频图。二、算法原理
2022-01-03 11:18:04
5997
8
原创 Pyhon在振动信号处理中的高级应用（一）：振动信号特征（时域、频域）提取
文章目录一、概述二、算法原理2.1 时域统计特征三、python代码实现一、概述二、算法原理 这里我们借鉴西安交通大学机械学院雷教授的论文《Fault diagnosis of rotating machinery based on multiple ANFIS combination with GAs》相关研究成果。雷教授在论文中共列举了4类共24种振动信号的时域和频域特征。2.1 时域统计特征p1=∑n=1Nx(n)NP2=∑n=1N(x(n)−p1)2N−1p3=(∑n=1N∣x(n)∣N
2022-01-02 17:44:52
12166
30
原创 环境噪声的测试和评价——噪声监测设备开发（〇）：绪论
文章目录一、背景二、我要干嘛三、我要怎么干一、背景 2021年12月24日，中华人民共和国第十三届全国人民代表大会常务委员会第三十二次会议通过了《中华人民共和国噪声污染防治法》，自2022年6月5日起施行。 噪声污染防治法是为了防治噪声污染，保障公众健康，保护和改善生活环境，维护社会和谐，推进生态文明建设，促进经济社会可持续发展，制定的法律。 根据权威法律人士的解读，本次通过的噪声污染防治法重新界定噪声污染内涵，针对有些产生噪声的领域没有噪声排放标准的情况，在“超标+扰民”基础上，将“未依法采
2021-12-26 22:13:58
378
原创 一、采样频率到底是选择2倍还是10倍？让我用python来给你展示
文章目录一、什么是采样频率？二、什么是采样定理？三、采样率究竟应该定？四、让python来看看采样率问题五、结论一、什么是采样频率？ 采样频率，也称为采样速度或者采样率，定义了单位时间内从连续信号中提取并组成离散信号的采样个数，它用赫兹（Hz）来表示。采样频率的倒数是采样周期或者叫作采样时间，它是采样之间的时间间隔。通俗的讲采样频率是指计算机单位时间内能够采集多少个信号样本。二、什么是采样定理？ 所谓采样定理 ，又称香农采样定理，奈奎斯特采样定理，是信号处理学科中的一个重要基本结论。 采样定
2021-11-23 20:24:26
6931
1
原创 Python在振动信号处理中的应用（十二）：试验模态参数识别（导纳圆拟合法）
文章目录一、概述二、算法原理三、python中具体实现3.1 构造模拟频响函数3.2 寻找共振频率3.3 截取共振频率附近圆弧计算待定系数3.4 计算阻尼比及振型数据3.5 展示计算结果四、TIPS一、概述 导纳圆拟合法是一种模态参数识别的曲线拟合法， 其基本思想是根据实测频响函数数据， 用理想的圆去拟合实测的导纳圆， 并按最小二乘原理使其误差平方和为最小的原则进行拟合。本章在python中实现了该算法，并构造了相关模拟信号进行了验证，效果较好，欢迎参考。二、算法原理 通过对测试得到的
2021-11-23 10:17:17
4005
17
原创 Python在振动信号处理中的应用（十一）：倒频谱（Cepstrum）计算
文章目录一、概述二、算法原理一、概述 倒频谱（Cepstrum）也叫倒谱、二次谱和对数功率谱等。倒频谱的工程型定义是：信号功率谱求对数后，进行傅立叶逆变换的结果。（信号→求功率谱→求对数→求傅里叶逆变换）。 该分析方法方便提取、分析原频谱图上肉眼难以识别的周期性信号，能将原来频谱图上成族的边频带谱线简化为单根谱线，受传感器的测点位置及传输途径的影响小。本文将介绍倒频谱在pyhon中的实现。二、算法原理 为什么翻译作倒频谱呢？我个人的理解是，频谱（功率谱）反应的频率特征点横坐标是频率f（Hz）
2021-11-18 17:02:17
5419
5
原创 Python在振动信号处理中的应用（十）：三分之一倍频程谱的计算
三分之一倍频程谱是一种频率分析方法，它具有谱线少频带宽的特点。倍频程实际上是频域分析中频率的一种相对尺度。倍频程谱是由一系列频率点以及对应这些频率点附近的频带内信号的平均幅值（有效值）所构成。这些频率点称为中心频率fc，中心频率附近的频带出于下限频率fl和上限频率fu之间。三分之一倍频程谱是按逐级式频率进行分析的，它是由多个带通滤波器并联组成，为的是使这些带通滤波器的带宽覆盖整个分析频带。根据国籍电工委员会（IEC）的推荐，三分之一倍频程的中心频率为：fc = 1000*10^(3n/30)Hz (n
2021-11-16 15:26:49
5018
10
原创 Python在振动信号处理中的应用（九）：细化快速傅里叶变化（Zoom-FFT）
文章目录一、概述二、算法原理三、Python中算法实现四、TIPS一、概述 ZOOM-FFT称为细化的快速傅立叶变换，又称为选带快速傅立叶变换，是对信号的频率进行局部细化放大，使感兴趣的频带获得较高的频率分辨率。它的优点是：提高频域分辨率的同时，不增加算法的复杂度。二、算法原理 FFT虽然能够迅速方便地实现了数字频谱分析的功能，但是对于希望在某些感兴趣的频率范围内以较高的分辨率进行频域分析，传统的 FFT 就做不到了。因为普通 FFT在频域的分辨率是有一定限度的，其分析频率范围总是从0Hz 开始
2021-11-15 23:36:39
3921
原创 Python在振动信号处理中的应用（八）：信号处理中常见的窗函数
文章目录一、概述二、各类窗函数的特点及在python中的实现2.1 矩形窗2.2 三角窗2.3 汉宁窗2.4 海明窗2.5 指数窗五、TIPS一、概述 通常意义下的傅里叶变换是针对无限长时间，但实际不可能进行无限长时间的信号采集，只能采集有限长时间的数据，这相当于用一个矩形时间窗函数对无限长时间的信号进行了截断。这种时域上的截断导致本来集中于某一频率下的能量，部分被分散到该频率附近的频域，造成频域分析出现误差，这种现象称为泄露。 减少信号截断造成的泄露有两种方法，一种是加大傅里叶变换的数据长度，另一
2021-11-15 15:21:02
3568
原创 Python在振动信号处理中的应用（七）：振动信号频域处理方法（Welch方法）
文章目录一、概述二、算法原理2.1 平均周期图法2.2 自功率谱密度函数2.3 互功率谱密度函数2.4 频率响应函数2.5 相干函数三、Python中相关函数3.1 signal.welch3.2 signal.csd3.3 signal.coherence四、python代码实现4.1 构造模拟信号4.2 计算自功率谱密度4.3 计算互功率谱密度4.4 计算频率响应函数4.5 计算相干函数五、TIPS一、概述 在进行结构的动力特性测试中，结构上测得的振动响应信号中包含着大量的随机成分，特别是
2021-11-15 11:26:41
4778
16
原创 Python在振动信号处理中的应用（六）：振动信号时域特征提取
文章目录一、概述二、算法原理2.1 概率分布函数和概率密度函数2.1.1 概率分布函数2.1.1 概率密度函数2.2 均值、均方根值及方差2.3 相关函数2.3.1 自相关函数2.3.2 互相关函数四、python代码实现四、TIPS一、概述 在振动信号大数据应用过程中，通常需要提取信息的特征数据。对于振动信号来说通常我们采用信号处理方法来得出相关振动信号的特征，用于进行大数据分析计算。 振动信号常用的时域信号特征包括：概率分布函数、均值、均方根值、方差、自相关函数和互相关函数等，本章将分别讲解这
2021-11-14 22:30:41
8007
6
原创 Python在振动信号处理中的应用（五）：振动加速度信号转换为速度或位移信号
文章目录一、概述二、算法原理2.1 时域积分2.1 频域处理三、Python在中相关函数3.1 scipy.interger介绍3.2 scipy.fftpack介绍四、python代码实现4.1 时域积分3.2 频域处理四、TIPS一、概述 有实际测试经验的工程人员都知道，在很多情况下振动位移的测试是非常麻烦的，甚至有的情况下振动位移都无法直接进行测试。例如，在振动台上进行高层楼房模型试验时，要测试模型上的测点相对振动台台面的振动位移就十分困难，即使是测试绝对位移，也需要在振动台四周搭建传感器安装
2021-11-14 20:03:21
8166
42
原创 Python在振动信号处理中的应用（四）：振动信号时域滤波处理（IIR、FIR）
文章目录一、概述二、算法原理2.1 数字滤波的时域方法简介2.1.1 时域滤波器的设计步骤2.1.2 IIR滤波器和FIR滤波器设计原理2.1.3 滤波器原型产生函数一、概述 在振动信号分析中，数字滤波是通过数学运算的方法从采集信号中选取人们感兴趣的一部分信号的处理方法。数字滤波的主要作用有滤除测试信号中的噪声或虚假成分、提高信噪比、平滑分析数据、抑制干扰信号、分离频率分量等。用软件实现数字滤波的优点是系统函数具有可变性，仅依赖于算法结构，并易于获得比较理想的滤波性能。所以软件滤波在滤波器的使用中起到
2021-11-14 11:19:44
5674
11
原创 Python在振动信号处理中的应用（三）：振动信号频域滤波处理
文章目录一、概述二、算法原理三、SciPy以及scipy.fftpack介绍3.1 SciPy介绍3.2 scipy.fftpack介绍四、python代码实现4.1 构造模拟信号4.2 编写频域滤波方法3.3 展示算法效果四、TIPS一、概述 在振动信号分析中，数字滤波是通过数学运算的方法从采集信号中选取人们感兴趣的一部分信号的处理方法。数字滤波的主要作用有滤除测试信号中的噪声或虚假成分、提高信噪比、平滑分析数据、抑制干扰信号、分离频率分量等。用软件实现数字滤波的优点是系统函数具有可变性，仅依赖于算
2021-10-31 22:26:07
4598
12
原创 Python在振动信号处理中的应用（二）：振动信号平滑处理
文章目录一、概述二、算法原理三、python代码实现3.1 构造模拟信号3.2 编写平滑处理代码3.3 展示算法效果一、概述 通过采集仪和传感器采样得到的振动信号数据往往叠加有噪声信号。噪声信号除了有50Hz的工频干扰及其倍频程等周期性的干扰信号外，还有不规则的随机干扰信号。由于随机干扰信号的频带较宽，有时高频部分所占比例较大，是的采集得到的振动曲线呈现较多毛刺。为了削弱干扰信号的影响，提高曲线光滑度，常常需要对采样数据进行平滑处理。 此外，数据平滑还有一个特殊用途，即消除信号的不规则趋势项。在振
2021-10-07 20:05:58
5143
原创 Python在振动信号处理中的应用（一）：振动信号消除多项式趋势项
文章目录一、概述二、最小二乘法去除趋势项原理三、python模块介绍3.1 scikitlearn简介（1）转化器(Transformer)（2）估计器(Estimator)3.2 线性回归LinearRegression3.3 多项式PolynomialFeatures3.4 工作流Pipeline四、python代码实现4.1 构造模拟信号4.2 编写去除趋势项主代码4.3 展示算法效果五、TIPS一、概述 在振动测试过程中，传感器或采集设备由于自身性能问题或受环境干扰（如温度、供电等影响），容易
2021-07-12 22:13:03
6712
26
原创 Python在振动信号处理中的应用（〇）：编者闲扯
——致敬王济老师《matlab在振动信号处理中的应用》 自2013年“工业4.0”概念提出后，工业大数据分析与应用领域的发展可谓日新月异，不断为社会贡献各种可能。作为振动噪声领域的从业者，不禁要思考，振动噪声数据作为工业大数据的重要分支，其蕴含的信息量是巨大的，为什么没有被重点关注？我们又该如何挖掘其价值呢？ 针对第一个问题，笔者认为振动信号之所以没有被重点关注，是因为其知识门槛较高，比如对工业中常用的水泵的健康管理来说，什么信息最有用？流量、压力啊！一旦水泵有了故障，流量、压力肯定上不去了。对于.
2021-07-12 22:11:40
4646
4
原创 python访问数据库
python访问数据库一、背景二、内容简介三、主要内容3.1 python连接MySQL方法3.2 Navicate验证一、背景python因简洁的语言及丰富的拓展包，对大数据处理具有独特的优势，在信号处理过程中涉及了大量的数据文件，一般采用数据库软件(如MySQL)获取原始数据及存储处理结果，那么如何实现python和数据库软件之间的数据传递呢？下面我们介绍通过python的pyMySQL模...
2019-11-28 13:15:34
450
3
Case Western Reserve University Rolling element bearing data
2022-07-20
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人