技术博客-52phm社区

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

精选专栏：钢板编码规范工业机器人轴承齿轮箱数据集图像预处理寿命预测数据集桥梁刀具 default 动作识别数字信号处理振动信号预处理工业异常检测故障预测与健康管理风电机组语音信号预处理半导体 python基础故障诊断数据库操作下载安装时间序列预测 bug 特征工程

[置顶] 故障诊断和故障预测数据集汇总并附下载方式

本篇目录- 轴承类数据集- 齿轮箱数据集- 电机故障诊断数据集- 机电设备故障数据集- 结构健康监测和评估数据集- 液压装置状态评估数据集- 半导体制造过程数据集，故障诊断和故障预测数据集汇总并附下载方式

2022-02-09 18:19:44 博客笔记 4150 分类：边缘感知专栏：未分组

[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

2021-12-04 12:12:30 博客笔记 4525 分类：算法开发专栏：特征工程

[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

2021-12-13 17:29:41 互联网 7319 分类：算法开发专栏：故障诊断

[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。

2022-04-20 15:00:51 博客笔记 2975 分类：算法开发专栏：故障预测与健康管理

[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

2022-03-10 16:18:19 博客笔记 828 分类：算法开发专栏：图像预处理

提升预测精度：时间序列探索性数据分析-EDA

提升预测精度：探索性数据分析-EDAsales_train_validation.csv参考：Python版本EDA+传统时间序列方法：<li>整体聚合销量时间序列。 <ul>- 销售额普遍上升，这对沃尔玛来说是个好消息。我们可以找出一些每年的季节性，在圣诞节下降，这是一年中唯一的商店关闭的日子

2021-12-21 14:15:31 互联网 477 分类：算法开发专栏：时间序列预测

https://machinelearningmastery.com/moving-average-smoothing-for-time-series-forecasting-python/平滑的希望是消除噪声，更好地揭示潜在的因果过程的信号。移动平均线是时间序列分析和时间序列预测中常用的一种简单的平滑方法。计算移动平均线需要创建一个新的序列，其中的值由原始时间序列中原始观测值的平均值组成。...

2021-12-21 15:46:28 互联网 540 分类：算法开发专栏：时间序列预测

时间序列

时间序列的定义所谓时间序列就是按照时间的顺序记录的一列有序数据。对时间序列进行观察、研究、找寻他发展变化的规律，预测他将来的走势就是时间序列分析，时间序列分析方法只适用于近期与短期的预测。相关特征统计量：均值函数序列：反映的是时间序列每时每刻的平均水平方差函数序列：反映的是时间序列围绕其均值做随机波动时平均的波动程度协方差函数和相关系数度量的是两个不同的事件彼此之间的相互影响...

2021-12-21 15:49:41 互联网 539 分类：算法开发专栏：时间序列预测

时间序列分类算法之LPS论文翻译

本文主要翻译LPS论文的主体部分，由于水平有限，可能翻译的不够准确。算法原文连接为基于局部自动模式的时间序列表示与相似度摘要：随着从医学、金融、多媒体等不同领域的时间序列数据集的增加，时间序列数据挖掘受到更多人的关注。对于减少维数和产生有用的相似性度量来说，时间序列表示是很重要的。高阶表示，如傅立叶变换，小波，分段多项式模型等，是以前所提出来的。最近，自回归核被用来反映时间序列的相似性。我...

2021-12-21 15:50:53 互联网 493 分类：论文速递专栏：时间序列预测

时间序列特征构造：以电力负荷预测为例讲解（python语言）

大家好，我是yudengwu时间序列特征构造时间序列问题，首先不管是回归问题，还是分类问题。一个模型的好坏，决定因素由数据集的大小，特征值的选取和处理，算法。其中最重要的是特征值的选取和处理。今天与总来讲解下时间序列的特征构造问题。该特征构造部分可以用于其他数值数据。时间序列特征构造分类为：时间特征，时间历史特征，时间交叉特征时间特征连续时间：持续时间，间隔时间离散时间：年，季度，季节，月，星期，日，等节假日，节假日第几天上午，早上，中午，晚上年初，年末，月初，月末，周

2021-12-21 15:54:27 互联网 940 分类：算法开发专栏：时间序列预测

Predict Future Sales（时间序列）——Kaggle银牌（TOP 4%）基础方案（三）：特征工程及线下验证划分

上篇说到了数据预处理和EDA，数据预处理是为了提高数据的可用性，而EDA则可以挖掘数据的规律，便于构造特征。在一个机器学习数据竞赛任务中，有句话叫做“特征决定任务能达到的高度，而模型和算法包括调参只是逼近这个高度”。特征工程的重要性是不言而喻的。对于我们这个任务而言，由于是时间序列问题，很多地方和其他类问题的处理不一样，比如时间序列问题在构造特征的时候就要包括到历史特征，还有时间窗特征，包括时间窗...

2021-12-21 15:55:15 互联网 488 分类：算法开发专栏：时间序列预测

时间序列预测算法总结

时间序列算法time series data mining 主要包括decompose（分析数据的各个成分，例如趋势，周期性），prediction（预测未来的值），classification（对有序数据序列的feature提取与分类），clustering（相似数列聚类）等。时间序列的预测常用的思路：1、计算平均值2、exponential smoothing指数衰减...

2021-12-25 19:42:49 互联网 471 分类：算法开发专栏：时间序列预测

时间序列预测

时间序列预测基于历史数据对其后某段时间内的数据进行预测，例如通过对菜品以往的销售数据，预测未来7天不同菜品的销售量，以减少菜品脱销或备货不足。时间序列与常见的回归问题的不同点在于：1、时间序列是跟时间有关的，而线性回归模型中观察结果是独立的；2、随着上升或者下降的趋势，更多的时间序列出现季节性趋势的形式。常用按时间序列排列的一组随机变量X_1,X_2,…,X_t来表示一个随机事件序列，记为{X_t}；用x_1,x_2,,...,x_n或{x_t,t=1,2,...,n}表示该随机序列的n个有序观察

2021-12-25 19:45:22 互联网 649 分类：算法开发专栏：时间序列预测

时间序列预测的8种常用方法简介

时间序列预测8种常用方法简介，包括朴素预测法、简单平均法、移动平均法、简单指数平滑法、霍尔特(Holt)线性趋势法、Holt-Winter方法、AMRIA。

2021-12-25 19:46:21 互联网 862 分类：算法开发专栏：时间序列预测

基于LSTM的股票时间序列预测（附数据集和代码）

LSTM数据集实战如果对LSTM原理不懂得小伙伴可以看博主下一篇博客，因为博主水平有限，结合其他文章尽量把原理写的清楚些。数据集首先附上数据集链接：https://pan.baidu.com/s/1AKsz-ohmYHr9mBEEh76P5g提取码：6owv这个数据集是关于股票的，里面有日期，开盘价等信息。既然是时间序列预测，我们最关心的是预测值在时间维度上的走势如何，那我们只要最后一列volume和第一列date这两列就好了。实战先是导入相关包，一些常见的包就不详细说了，我们需要的Se

2021-12-25 19:48:44 互联网 842 分类：算法开发专栏：时间序列预测

统计学——时间序列预测

统计学(第6版) 贾俊平读书笔记第13章时间序列分析和预测时间序列是同一现象在不同时间上的相继观测值排列而成的序列。本书中用t表示所观察的时间，Y表示观察值，则Yi( i =1, 2, …, n)为时间ti上的观察值。时间序列可以分为平稳序列和非平稳序列两大类。非平稳序列是包含趋势、季节性或周期性的序列，又可以分为有趋势的序列、有趋势和季节性的序列、几种成分混合而成的复合型序列。趋势是...

2021-12-25 19:49:30 互联网 505 分类：算法开发专栏：时间序列预测

TensorFlow实现时间序列预测

常常会碰到各种各样时间序列预测问题，如商场人流量的预测、商品价格的预测、股价的预测，等等。TensorFlow新引入了一个TensorFlow Time Series库（以下简称为TFTS），它可以帮助在TensorFlow中快速搭建高性能的时间序列预测系统，并提供包括AR、LSTM在内的多个模型。时间序列问题　　一般而言，时间序列数据抽象为两部分：观察的时间...

2021-12-25 19:50:04 互联网 756 分类：算法开发专栏：时间序列预测

keras实现LSTM单变量时间序列预测——国际航班乘客预测

https://blog.csdn.net/zyxhangiian123456789/article/details/87458140对于较为简单的时间序列预测问题，可以使用Exponential Smoothing和ARIMA等传统模型非常方便地求解。然而，对于复杂的时间序列预测问题，LSTM不失为一种很好的选择。因此，本文旨在探讨如何利用LSTM神经网络求解时间序列预测问题。首先，需要明白时...

2021-12-25 19:50:56 互联网 443 分类：算法开发专栏：时间序列预测

用 XGBoost 进行时间序列预测

XGBoost是梯度分类和回归问题的有效实现。它既快速又高效，即使在各种预测建模任务上也表现出色，即使不是最好的，也能在数据科学竞赛的获胜者（例如Kaggle的获奖者）中广受青睐。XGBo...

2021-12-25 19:51:41 互联网 619 分类：算法开发专栏：时间序列预测

python 时间序列预测 —— XGBoost

XGBoost Regression

2021-12-25 19:52:19 互联网 458 分类：算法开发专栏：时间序列预测

使用2D卷积技术进行时间序列预测

本文将展示一种新的时间序列预测方法。目标数据集在这个项目中使用的数据是来自北卡罗来纳州夏洛特分校的全球能源预测竞赛的数据。您可以在这里找到更多信息：http://www.drhongtao.com/gefcom/2017你需要知道的是，这些数据是来自能源网络的各种读数。我们的目标是利用这些数据点预测电网的实时能源需求。数据点还包括露点和干球温度，因为空调是能源消耗的主力。我们的目标变量是RTDemand（Real Time energy demand）：电网的实时能源需求。数据具有清晰的日周期特征。

2021-12-25 19:54:22 互联网 483 分类：算法开发专栏：时间序列预测

倒谱分析与倒谱求法

倒谱分析可检测频谱中的重复模式，使其对区分多个故障非常有用，该故障在不同的主要频谱（即FFT、阶次、包络和增强频谱）中很难看到。最重要的行业应用与机械诊断相关，如齿轮箱分析，以及其他应用，如：1 回声检测和去除2 以及语音分析在以下网站中：http://www.bksv.cn/Products/analysis-software/signal-a

2021-12-26 13:31:12 互联网 1017 分类：算法开发专栏：振动信号预处理

语音信号的预处理

概述语音信号是一种非平稳的时变信号，它携带着大量信息。在语音编码、语音合成、语音识别和语音增强等语音处理中，都需要提取语音中包含的各种信息语音处理的目的对语音信号进行分析，提取特征参数，用于后续处理加工语音信息，如语音增强和语音合成中的应用根据所分析的参数类型，语音信号可以分成：时域分析最简单、最直观直接对语音信号的时域波形进行分析特征参数：语音的短时能力、平均幅度、短时...

2022-01-13 16:53:53 互联网 790 分类：算法开发专栏：语音信号预处理

数字信号处理的主要内容

随着计算机和微电子等学科的飞速发展，数字信号处理的理论、算法和实现方法都获得了快速发展，应用也越来越多。数字信号处理的内容广泛，理论复杂，主要包括以下部分：1、离散时间信号与离散时间系统2、Z变换及离散时间系统分析3、离散时间信号的傅里叶变换4、快速傅里叶变换5、离散时间系统的相位、结构和状态变量描述6、无限冲激响应数字滤波器设计7、有限冲激响应数字滤波器设计8、信

2022-01-13 17:36:49 互联网 416 分类：算法开发专栏：数字信号处理

【数字信号处理】--数字信号分析与处理基础知识

文章目录一、信号的时域分析1.1信号波形参数识别1.2检测方法过零检测法1.3数字信号微分与数字信号积分二、信号的频域分析2.1周期信号的频谱分析2.2 信号的频谱分析2.3数字信号的频谱计算方法三、信号的时差域相关分析3.1信号的相关系数3.2 相关应用3.3 数字滤波器和模拟滤波器的区别四、信号的幅值域分析4.1概率密度曲线与概率分布曲线的应用五、信号的数字滤波5.1滤波器概念5.2频率域滤波：5.3时域滤波5.4 时域FIR滤波器5.5 IIR滤波器5.6 其他滤波器5.7 数字音乐均衡器的设计六、

2022-01-13 17:40:13 互联网 343 分类：算法开发专栏：数字信号处理

52phm公告
在这里，可以学习接触到工业互联网技术知识以及落地案例，其中涵盖工业数据集、工业标准库、机理模型、设备知识、机器学习、深度学习、特征工程、振动分析、工业视觉、边缘硬件及传感器等技术知识！

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。