52phm简介
专注于工业智能预警系统研发， 通过机理算法和数据驱动算法分析振动信号、音频、DCS、PLC信号、SCADA信号等设备运行状态数据对机器设备进行看病预诊，为机器设备健康运行保驾护航。 网站正在不断建设和完善过程中，欢迎大家给予建议和参与社区建设
联系我们
投稿说明
52phm，专注于预测性维护知识学习和交流，欢迎广大从事预测性维护行业人员投稿，投稿请联系管理员(wx: www52phmcn)，投稿内容可以是：
- 学习笔记
- 技术理论
- 工程案例
- 行业资讯
加入我们
[置顶] python机器学习与特征工程理论与代码实现
通过python编程语言实现特征工程功能，本篇特征工程文章较为全面的介绍数据预处理，缺失值处理方法、异常值处理方法、数据无量纲、标准化、归一化，另外还介绍特征选择、特征降维等特征工程知识
[置顶] 大型旋转机械状态监测与故障诊断
1 故障诊断的含义故障就是指机械设备丧失了原来所规定的性能和状态。通常把运行中的状态异常、缺陷、性能恶化及事故前期的状态统称为故障，有时也把事故直接归为故障。而故障诊断则是根据状态监测所获得的信息，结合设备的工作原理、结构特点、运行参数及其历史运行状况，对设备有可能发生的故障进行分析、预报，对设备已经或正在发生的故障进行分析、判断，以确定故障的性质、类别、程度、部位及趋势。大型旋转机械
[置顶] 电机状态分类预测与研究
电机状态.txt数据集中最后一列是`电机状态`标签，其余列是特征。本数据集可以作为学习工业数据的分类算法使用，(1)分析不同电机状态的特征分布情况；(2)建立分类模型体验分类算法的应用。
[置顶] PIL图像预处理实操
1 PIL基本操作：主要是为了介绍 PIL 打开、展示和保存图像的基本运用。 2 图像处理：这个主要是为了对原始图像进行再处理，从而使图像符合我们的需求， 通常这里的处理情况会影响到模型训练的精度和准。 3 图像向量化：由于图片是非结构化数据，计算机不能直接识别处理， 因此需要向量化处理，从而转换成结构化数据 4 图像识别分类实战：主要是以步骤性来讲述，方便掌握
14种分类算法进行文本分类实战
本篇文本分类实战训练是以完整的文本分类项目流程来写的，比较适合进阶和提高 《获取数据》——《数据分析和处理》——《特征工程与选择》——《算法模型》——《性能评估/参数调优》，让读者全貌了解文本分类流程，建议阅读收藏~
机械振动信号13个频域指标
频域统计指标计算公式振动信号频域分析首先需要把信号的时域波形借助离散傅里叶变换转化为频谱信息，公式如下：式中：x(kΔt)x(k\Delta t)x(kΔt)为振动信号的采样值；NNN为采样点数；Δt\Delta tΔt为采样间隔；kkk为时域离散值的序号。求得频谱信息后，可根据频域统计指标公式计算相应的值，公式如下：python程序def get_fre_domain_feeatures(f,y): fre_line_num = len(y) p1 = y.mean()
机械振动信号15个时域统计指标
时域统计指标计算公式振动信号原始统计特征分为两类：时域统计特征、频域统计特征。信号的时域特征是通过统计分析信号的各种时域参数、指标的估计或计算得到的，如表所示，分为有量纲参数和无量纲参数两种，其中1-9为有量纲参数和10-15无量纲参数。python程序def get_time_domain_features(data): '''data为一维振动信号''' x_rms = 0 absXbar = 0 x_r = 0 S = 0 K = 0
滚动轴承故障特征频率计算公式
依据滚动轴承的结构参数，可以计算出轴承滚道外圈故障、滚道内圈故障、滚动体故障和保持架故障所产生的特征频率,具体的计算公式如下：（1）外圈故障（2）内圈故障（3）滚动体故障（4）保持架故障式中：ddd代表滚动体直径，DDD表示滚道节径，α\alphaα表示轴承接触角，zzz表示滚动体个数，fff表示转频...
故障诊断技术体系阐述
1.引言 智能故障诊断（IFD）是指将机器学习理论，如人工神经网络（ANN）、支持向量机（SVM）和深度神经网络（DNN）应用于机器故障诊断。这种方法利用机器学习理论，从采集的数据中自适应地学习机器的诊断知识，而不是利用工程师的经验和知识。具体而言，IFD需要构建一个诊断模型，该模型能够自动将收集的数据与机器的健康状态之间的关系连接起来。 机器学习的早期研究可追溯到1950年，1980年左右成为了人工智能的一个重要方向，并于2010年开始得到了广泛的应用。在此期间发明了许多传统理论，如AN...
智能故障诊断方法总结
1.故障诊断方法可分为三个步骤：信号处理、特征提取、模式分类。2.信号处理方法通常包括：时域处理（提取振动信号的相关指标）；频域处理（包络谱分析，频谱分析）；时频域分析（小波分析，傅里叶变换）3.故障诊断方法：专家系统故障诊断法，模糊故障诊断、灰色关联度故障诊断、神经网络故障诊断、数据融合故障诊断。...
一种基于CNN的故障预测方法(含代码数据集)
本文以CWRU轴承故障的振动信号数据库作为模型的训练集和测试集并根据现有论文的思路和模型框架，用pytorch复现了论文的模型结构和性能，在二分类问题中准确率高达100%本文在理论方便不再过多赘述，详细可看博主之前的博客或观看论文原文数据连接：https://csegroups.case.edu/bearingdatacenter/pages/download-data-file论文链接：https://www.sci-hub.ren/10.1109/tie.2017.2774777代码
旋转机械振动物理力学特性
机械振动4.1 简谐振动4.1.1 简谐振动的动力学特性4.1.2 单摆4.2 简谐振动的运动学4.2.1 简谐运动的运动学方程4.2.2描述简谐振动的三个重要的特征向量1 振幅2 周期3 相位和初相位4.2.3 简谐振动的矢量表示法4.3 简谐振动的能量4.4 简谐振动的合成4.4.1 同方向、同频率简谐振动的合成4.4.2 两个同方向、不同频率简谐振动的合成4.4.3 两个相互垂直、相同频率的简谐振动的合成（没整理）4.4.4 两个相互垂直、不同频率的简谐振动的合成（没整理）4.4.5 振动的频谱分析4
基于深度学习的滚动轴承故障诊断
本文主要介绍如何使用python搭建：一个基于深度学习的滚动轴承故障诊断系统项目中涉及使用了多种方法对比检测结果，包括：传统机器学习方法：随机森林深度学习方法：CNN增加残差模块后的深度学习方法：ResNet如各位童鞋需要更换训练数据，完全可以根据源码将图像和标注文件更换即可直接运行。
一篇关于轴承故障诊断的综述
在设备的故障检测中，有约30%-40%的设备故障是由轴承故障引起的，因此本文将列举有关检测轴承故障使用到的相关数据集，模型和算法。数据集现有的数据集，普遍由固定在电机马达上的两个震动检测器获得，并根据需要，分离震动数据在时域和频域上的特征以供网络模型学习。不同的数据集，区别在于，检测的马达转速不同，环境不同，取样频率不同，一段样本的时长不同等等（1）Case Western Reserve University (CWRU) Dataset该数据集拥有多种数据，测量的时候，通过改变轴承.
故障诊断的性能评估指标
评价一个故障诊断系统的性能指标有： 1）故障检测的及时性：是指系统在发生故障后，故障诊断系统在最短时间内检测到故障的能力。故障发生到被检测出的时间越短说明故障检测的及时性越好。 2）早期检测的灵敏度：是指故障诊断系统对微小故障信号的检测能力。故障诊断系统能检测到的故障信号越小说明其早期检测的灵敏度越高。 3）故障的误报率和漏报率：误报指系统没有出去故障却被错误检测出发生故障
旋转机械故障诊断学基础知识
1. 机械故障诊断涉及哪些学科？做哪方面的科学研究？包含了哪些技术？形成了哪些方法？解决什么工程问题？(1) 涉及的学科有：机械、力学、电子、计算机、信号处理、人工智能等。(2) 机械故障诊断是研究机器或机组运行状态的变化在诊断信息中的反映，因此包括信号获取与传感技术、故障机理与征兆联系、信号处理与特征提取、识别分类与智能决策等方面的研究，根据基础和关键科学问题又可细分为机械系统运行状态下故障动态演化机理、机械系统动态信号处理的内积匹配原理与微弱信号特征增强机制、故障定量识别和剩余寿命预测原理、
电气设备故障诊断法“六诊、九法、三先后”
一、“六诊”—口问、眼看、耳听、鼻闻、手摸、表测六种诊断方法，简单地讲就是通过“问、看、听、闻、摸、测”来发现电气设备的异常情况，从而找出故障原因和故障所在的部位。前“五诊”是借人的感官对电气设备故障进行有的放矢的诊断，称为感官诊断，又称直观检查法。同样，由于个人的技术经验差异，诊断结果也有所不同。可以采用“多人会诊法”求得正确结论。“表测”即应用电气仪表测量某些电气参数的大小，经过与正常数值对比，来确定故障原因和部位。1、口问当一台设备的电气系统发生故障后，检修人员应和医生看病一样，首先要了解
故障诊断期刊文献分析
看看故障诊断研究重点方向在哪？故障诊断总发文量统计如下：前20个主要主题词分布情况：前20个次要主题词分布情况：录用期刊分布：期刊类型：学科分布情况：发文机构分布：基金分布情况：...
往复式与离心式压缩机的区别
往复式压缩机： 曲轴带动连杆，连杆带动活塞，活塞做上下运动。活塞运动使气缸内的容积发生变化，当活塞向下运动的时候，汽缸容积增大，进气阀打开，排气阀关闭，空气被吸进来，完成进气过程；当活塞向上运动的时候，气缸容积减小，出气阀打开，进气阀关闭，完成压缩过程。通常活塞上有活塞环来密封气缸和活塞之间的间隙，气缸内有润滑油润滑活塞环 离心式压缩机：
旋转设备故障诊断轴心轨迹分析
轴心位置分析： 1、轻微不对中,轴心轨迹则呈椭圆形; 2、在不对中方向上加一个中等负载,轴心轨迹变为香蕉形; 3、严重不对中故障会使转子的轴心轨迹图呈现外“8”字形,这种具有8字形的轴心轨迹,一般表现为二倍频或四倍频的成分较大。 4、轴心轨迹呈“8”字型,是典型的不对中故障所致。最大的可能是2号轴承附近的发电机与同
异常检测模型整理
写在前面文中使用了其他博主的图，具体链接已不好追踪，如果不妥，还请谅解（私信我加备注哦）~异常检测主要检测数据中的离群点，异常数据的特征值与正常数据的特征值距离较远。异常检测具有以下难点：标签数据较少，从较少的标签数据中很难学习到哪些是正常数据，哪些是异常数据。难以划分异常和正常的边界。数据本身存在噪声，导致噪声和异常难以区分。处理异常检测的模型包括监督模型、半监督学习和无监督学习模型，具体如下：一、监督模型常见分类模型都可使用。若有标签数据，则优先使用有监督学习方法解决问题。在基于监
-
52phm公告
-
-
关于站长
从事设备故障预测与健康管理行业多年的PHM算法工程师（机器医生）、国际振动分析师， 实践、研发和交付的项目涉及“化工、工业机器人、风电机组、钢铁、核电、机床、机器视觉”等领域。专注于工业智能预警系统研发， 通过机理算法和数据驱动算法分析振动信号、音频、DCS、PLC信号、SCADA信号等设备运行状态数据对机器设备进行看病预诊，为机器设备健康运行保驾护航。
