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

# 数据
samples = data  # 轴承振动信号样本数据列表
sample_rate = 12000  # 采样率

# 构建特征集
feature_set = build_feature_set(samples, sample_rate)

# 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：

模型	0HP	1HP	2HP	3HP
SVM	100%	100%	96.25%	100%
KNN	100%	100%	97.50%	100%

 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。

代码及数据放在压缩包里，解压缩可以直接运行

import numpy as np
from scipy.fft import fft
from scipy.stats import kurtosis, skew
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import MinMaxScaler
# -*- coding: utf-8 -*-

import numpy as np
from scipy.fft import fft
from scipy.stats import kurtosis, skew

import numpy as np
from keras.utils import np_utils
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = 'SimHei'  # 设置字体为黑体
import numpy as np
from scipy.fft import fft
from scipy.stats import kurtosis, skew
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
#可以关注：https://mbd.pub/o/bread/ZJuZm5Zr