### 利用Python分析西安交通大学轴承数据集中的振动信号序列 为了确定故障出现的具体时间点，可以采用以下方法： #### 数据预处理 首先读取并整理来自DT9837便携式动态信号采集器的数据。由于实验设定每分钟收集一次样本，每次持续1.28秒，因此需要将这些短时间段内的测量值转换成更易于分析的形式[^2]。 ```python import numpy as np from scipy.io import loadmat # 假设MAT文件名为'bearing_data.mat' data = loadmat('bearing_data.mat') time_series = data['vibration_signal'] # 获取振动信号数组 sampling_rate = 25600 # 设置采样率（Hz） sample_duration = 1.28 # 单次采样的时长（s） def preprocess_vibration_signal(signal, sample_freq=sampling_rate): """ 对原始振动信号进行初步处理 """ n_samples = int(sample_freq * sample_duration) reshaped_signals = signal.reshape(-1, n_samples).mean(axis=1) # 计算每一分钟内平均振幅 time_axis = np.arange(len(reshaped_signals)) / (len(reshaped_signals)/((n_samples/sample_freq)*60)) return time_axis, reshaped_signals ``` #### 特征提取与可视化 接着计算均方根(Root Mean Square, RMS)，这是一种衡量信号强度的有效方式，并将其随时间的变化绘制成图表以便观察异常情况的发生时刻[^3]。 ```python import matplotlib.pyplot as plt def calculate_rms(values): """ 计算给定数值列表的RMS """ rms_value = np.sqrt(np.mean(np.square(values))) return rms_value rms_values = [] for i in range(len(time_series)): segment = time_series[i] rms_val = calculate_rms(segment) rms_values.append(rms_val) plt.figure(figsize=(10, 6)) plt.plot(preprocess_vibration_signal(time_series)[0], rms_values, 'b-', linewidth=2) plt.title('Vibration Signal RMS Over Time', fontsize=14) plt.xlabel('Time (minutes)', fontsize=12) plt.ylabel('RMS Value', fontsize=12) plt.grid(True) plt.show() ``` #### 故障检测算法实现 最后一步是定义一个简单的阈值法来识别可能存在的故障事件。当连续多个周期内的RMS超过预定界限时，则认为发生了潜在问题。 ```python threshold_multiplier = 3 # 阈值倍数因子 window_size = 5 # 滑动窗口大小（单位：分钟） moving_avg = [] # 存储移动平均后的RMS值 upper_thresholds = [] # 上限阈值列表 for idx in range(window_size//2, len(rms_values)-window_size//2): windowed_vals = rms_values[idx-(window_size//2):idx+(window_size//2)+1] avg = sum(windowed_vals)/len(windowed_vals) std_dev = np.std(windowed_vals) moving_avg.append(avg) upper_thresholds.append(threshold_multiplier*std_dev + avg) fault_occurred_times = [] for t_idx, val in enumerate(moving_avg): if val >= upper_thresholds[t_idx]: fault_time = round(t_idx*(sample_duration/60), 2) fault_occurred_times.append(fault_time) print("Fault occurred at times:", fault_occurred_times) ``` 上述代码展示了如何基于西安交大轴承数据集执行完整的流程——从加载数据到最终定位故障发生的具体时间节点。这种方法依赖于统计特征（如RMS），并通过滑窗技术评估是否存在显著偏离正常范围的情况，从而推断出故障的确切发生时期[^1]。