工程数据和信号
导入库
我们将连接用于处理数据、信号和可视化的库。 八仙在签署本协议时。 CSV,XLSX和MAT八仙。 WAV是文献。 图像-用于上传图像。 DSP和FF两次使用。
import Pkg
Pkg.add(["Statistics", "StatsBase", "StatsPlots", "CSV", "DataFrames", "Dates", "XLSX", "MAT", "WAV", "Images", "FileIO", "DSP", "FFTW", "DelimitedFiles"])
using Statistics, StatsBase, StatsPlots
using CSV, DataFrames, Dates, XLSX, MAT, WAV, Images, FileIO
using DSP, FFTW, DelimitedFiles
include("media_player.jl")
数据模型
典型的数据模型。 让我们阅读与钢铁公司的能耗指标的文件。 的指针。阅读一个完整的数据库,一个完整的数据库,其中可以使用。 我们将立即推导维度,以便了解数据的规模。
df_energy = CSV.read("Steel_Industry.csv", DataFrame)
println("数据维度: ", size(df_energy))
println("列名称: ", names(df_energy))
初步数据检查
工程师在接收数据时的第一条规则是通过眼睛看数据。 我们将显示第一行和最后一行,列类型。 这将有助于检测问题:遗漏,不正确的类型,意外的值。
println("前10行:")
first(df_energy, 10)
println("\nТипы данных столбцов:")
[names(df_energy) eltype.(eachcol(df_energy))]
日期和时间转换
在工程数据中,时间戳通常存储为字符串。 将其保存。 转换后,我们可以计算日期范围和平均测量步骤。 5.流浪者。
df_energy.DateTime = DateTime.(df_energy.date, dateformat"dd/mm/yyyy HH:MM")
println("范围: ", minimum(df_energy.DateTime), " — ", maximum(df_energy.DateTime))
step_sec = mean([Dates.value(dt)/1000 for dt in diff(df_energy.DateTime)])
println("中间的步骤: ", round(step_sec, digits=2), " sec")
时间序列的可视化
图是了解系统行为的最佳方式。 让我们绘制整个时期的能耗。 实事求是,实事求是。 我们看到周期性模式和异常值。
plot(df_energy.DateTime, df_energy.Usage_kWh,
xlabel="时间", ylabel="千瓦小时",
title="能源消耗",
linewidth=0.5, legend=false, size=(900, 350))
[医]数据模型
的指针。mat)的标签。 它可以存储信号,矩阵和结构。 让我们用轴承的声学信号读取文件. Matread函数返回一个字典,其中键是变量名,值是矩阵。
подшипник = matread("Bearing.mat")
println("密钥在文件中: ", keys(подшипник))
println("信号大小正常: ", size(подшипник["normal"]))
数据模型
数据模型为1×N。 将它们作为一个固定的量。 现在是一个很好的数字,可以使用它。
норма = vec(подшипник["normal"])
ролик = vec(подшипник["roller"])
println("数据类型: ", typeof(норма))
println("信号长度: ", length(норма))
println("\nПервые 5 отсчётов нормального сигнала: \n", норма[1:5])
N.总管,总管
声学数据通常以音频格式存储。 Wavread已完成。 没有数据,没有数据。
сигнал_wav, fs_wav = WAV.wavread("Подшипник_1.wav")
println("采样率: ", fs_wav, " 赫兹")
println("持续时间: ", round(length(сигнал_wav)/fs_wav, digits=2), " sec")
[医][医][医][医][医][医]
我们将使用内置音频播放器重现轴承的声学信号。
media_player("$(@__DIR__)/Подшипник_1.wav", mode="audio")
[医]新工艺
快速傅立叶变换将信号从时域转换到频域。 它是振动和声学分析的关键工具。 八仙座。 我们将只绘制前半部分(频率从0到奈奎斯特)。
сигнал = норма[1:4000] .- mean(норма[1:4000])
спектр = abs.(fft(сигнал))
N = length(сигнал)
частоты = (0:N÷2-1) * 10000 / N
plot(частоты, спектр[1:N÷2],
xlabel="频率,赫兹", ylabel="的振幅",
title="轴承的声谱",
linewidth=1, legend=false, size=(800, 350))
[经]传递数据模型
实际任务之一是数据压缩。 让我们看看频谱并确定信号的主要能量集中在哪个范围内。 然后我们将只留下几个关键频率分量-这将是一个压缩表示。 代替4000个信号样本,可以存储20个数字。
амплитуды = спектр[1:N÷2]
энергия_общая = sum(амплитуды.^2)
кум_энергия = cumsum(амплитуды.^2) / энергия_общая
plot(частоты, кум_энергия,
xlabel="频率,赫兹", ylabel="储存的能量",
title="光谱的累积能量",
linewidth=2, legend=false, size=(800, 350))
hline!([0.95], linestyle=:dash, label="95%的能量")
选择信息频带
让我们将频率范围划分为20个相等的频段,并计算每个频段的平均幅度。 这将给出可以存储在表中的信号-20数字的紧凑表示。
кол_полос = 20
полосы = range(0, 5000, length=кол_полос+1)
признаки_fft = zeros(кол_полос)
for i in 1:кол_полос
маска = (частоты .>= полосы[i]) .& (частоты .< полосы[i+1])
if sum(маска) > 0
признаки_fft[i] = mean(амплитуды[маска])
end
end
bar(1:кол_полос, признаки_fft,
xlabel="乐队号码", ylabel="平均振幅",
title="压缩信号表示(20波段)",
legend=false, size=(700, 300))
阅读图像
让我们阅读图像文件。 让我们显示图像类型及其大小。
изобр = Images.load("image.png")
println("图像类型: ", typeof(изобр))
println("大小: ", size(изобр))
让我们显示图像。
изобр
将图像转换为数字矩阵
将图像转换为数字矩阵。
каналы = Float64.(Images.channelview(изобр))
каналы = permutedims(каналы, (2, 3, 1))
图像由954×923×4的三维阵列表示。 前两个维度是954行和923列像素。 第三维由四个颜色通道组成:色、色、蓝色和一个alpha透明度通道。 每个值的范围从0到1,其中对于颜色通道0表示无颜色,1表示最大强度,对于alpha通道1表示完全不透明度。
读取带有数据的文本文件
文本文件是最简单的存储格式。 让我们阅读txt文件与环境温度的数值数据,确定值的数量的范围,并输出前5个值。
температура = vec(readdlm("температура.txt"))
println("值的数量: ", length(температура))
println("范围: ", minimum(температура), " ... ", maximum(температура), " °C")
println("前5个值: ", температура[1:5])
[经]参数
有关方面。 样本数据模型。
xlsx_file = XLSX.readxlsx("влажность.xlsx")
лист = xlsx_file[1]
влажность = Float64.(лист["A"][2:end])
println("值的数量: ", length(влажность),)
println("范围: ", minimum(влажность), " ... ", maximum(влажность), " %")
println("前5个值: ", влажность[1:5])
数据集转换
当不需要一些原始列,但需要添加来自外部源的新数据时,我们会转换数据集。 删除NSM、WeekStatus、天_of_week和Load_Type列,然后添加之前加载的温湿度列。
select!(df_energy, Not([:NSM, :WeekStatus, :Day_of_week, :Load_Type]))
println("Столбцы после удаления: \n\n", names(df_energy))
将以前加载的温度和湿度变量添加为新列。 行数必须匹配。
df_energy.Temperature_C = температура
df_energy.Humidity_Pct = влажность
让我们显示更新数据集的前10行。
println("前10行:")
first(df_energy, 10)
将数据包保存到新的文件中。 源文件 Steel_Industry.csv 它保持不变-所有转换都保存在一个新文件中。 Сталелитейные_данные.csv.
CSV.write("Сталелитейные_данные.csv", df_energy)
[医]总管
数据线可以使用. 假设我们从试验台收到了4个轴承数据文件:
*H_1_0。垫-全功能轴承;
*B_11_1.辊子元件的垫子故障;
*我_1_1。垫子-内圈故障;
*O_6_1。垫-外圈的故障。
但其特征在于,其特征在于,其特征在于,其特征在于,其特征在于,其特征在于,其特征在于,其特征在于,其特征在于,其特征在于,其特征在于,其特征在于,其特征在于,:
正常-全功能轴承;
滚子-滚子元件故障;
内圈的内部故障;
外-外环的故障。
让我们上传第一个文件。
норм_тест = matread("H_1_0.mat")
此文件具有与所需文件不同的数据结构。 让我们显示数据。
норм_тест = норм_тест["H_1_0"]
该文件有一个键 "H_1_0,其中的数据是矩阵。 我们知道声学数据位于第二列。 我们不需要任何其他数据。 让我们提取这些数据。
норм_тест = норм_тест[:,2]
我们的文档。
ролик_тест = matread("B_11_1.mat")
внут_тест = matread("I_1_1.mat")
внеш_тест = matread("O_6_1.mat")
让我们提取矩阵。
ролик_тест = ролик_тест["B_11_1"]
внут_тест = внут_тест["I_1_1"]
внеш_тест = внеш_тест["O_6_1"]
接下来,我们将以相同的方式从每个矩阵中提取第二列。
ролик_тест = ролик_тест[:,2]
внут_тест = внут_тест[:,2]
внеш_тест = внеш_тест[:,2]
现在我们有四个包含声学数据的向量。: норм_тест ролик_тест, внут_тест, внеш_тест. 它们都是爱人. 让我们用必要的键创建一个字典。
данные = Dict(
"normal" => норм_тест,
"roller" => ролик_тест,
"inner" => внут_тест,
"outer" => внеш_тест)
将数据数据保存到新的数据文件中。
matwrite("Подшипник_тест.mat", данные)
让我们阅读创建的文件。
matread("Подшипник_тест.mat")
创建的文件的结构对应于所需的文件。 数据已准备好供进一步使用。