1.效果运行视频：四通道信息融合下的齿轮箱故障诊断（Python代码，SVM模型和CNN模型进行对比实验）_哔哩哔哩_bilibili
用到的库：
2.数据集介绍：数据免费下载链接（不要积分）：https://download.csdn.net/download/qq_40840797/88380869?spm=1001.2014.3001.5501
齿轮箱故障诊断数据集包括使用SpectraQuest的齿轮箱故障诊断模拟器记录的振动数据集。 数据集使用4个振动传感器在四个不同的方向上记录，采样频率为3000hz并在负载从0%到90%的变化下进行记录。包括两种不同的情景：
- 健康状态：文件夹Healthy
- 齿轮破损故障状态：文件夹BrokenTooth
总共有20个文件（每个文件夹下10个文件），其中10个用于健康的齿轮箱，另外10个用于破损的齿轮箱。每个文件对应于从0%到90%负载的逐步增加。
Healthy文件夹打开如图所示（每个表格对应于从0%到90%负载的逐步增加，因此一共10个表格）：
BrokenTooth 文件夹打开如下图所示（每个表格对应于从0%到90%负载的逐步增加，因此一共10个表格）：
这里以正常状态下的第一个表格（h30hz0.csv文件为例）展示
开始位置（数据集使用4个振动传感器在四个不同的方向上记录，）
截止位置（数据集使用4个振动传感器在四个不同的方向上记录）：
这里以故障状态下的第一个表格（b30hz0.csv文件为例）展示
开始位置（数据集使用4个振动传感器在四个不同的方向上记录）
截至为止（数据集使用4个振动传感器在四个不同的方向上记录）
2。项目流程（有四份代码）
第一份代码data_plot.py，功能是原始数据展示：
以传感器1（其它3个传感器跟传感器1采集时间和采样频率均相同）为例，所有数据展示（b:蓝色柱子为破损文件夹下的数据集，y轴为负载，横轴为采集点的个数）
传感器1下负载为0和90%时，分别展示故障和健康的信号。
传感器2下负载为0和90%时，分别展示故障和健康的信号。
传感器3下负载为0和90%时，分别展示故障和健康的信号。
传感器4下负载为0和90%时，分别展示故障和健康的信号。
10种负载下健康和故障的数据总展示图（第一行是传感器1，第二行是传感器2，第三行是传感器3，第四行是传感器4）
一共是10列（每列里面有蓝色和黄色，蓝色为故障状态，黄色为健康状态），从负载0-负载90%。
因为要把20个表格，每个表里又有4个传感器的数据同时绘制出来，所以每个信号显示的较小。
a1传感器下的数值分布图（蓝色为故障状态，黄色为健康状态）
a2传感器下的数值分布图（蓝色为故障状态，黄色为健康状态）
a3传感器下的数值分布图（蓝色为故障状态，黄色为健康状态）
a4传感器下的数值分布图（蓝色为故障状态，黄色为健康状态）
第二份代码SVM.py
以512的固定长度切割信号，一共生成3941个样本（故障状态1960个样本，正常状态1981个样本，如下图所示）
故障状态样本集（最左侧为序列号0-1959，一共1960个样本）
正常状态样本集
总的样本集
样本数据归一化处理后，划分训练集与测试集（3:2）
测试集的准确率如下
第三份代码CNN.py
以512的固定长度切割信号，一共生成3941个样本（故障状态1960个样本，正常状态1981个样本，如SVM章节所示）
样本数据归一化处理后，划分训练集与测试集（3:2），epoch为100
测试集的准确率如下
对整个项目感兴趣的，可以关注最后一行
import os
import numpy as np
import tensorflow as tf
from tensorflow.keras import layers, models
from sklearn.model_selection import train_test_split
import pandas as pd
from matplotlib import pyplot as plt
#数据及代码的压缩包:https://mbd.pub/o/bread/ZJ6amJ9y
