使用Python常用库处理-可视化凯斯西储大学轴承数据集 完成轴承原始信号图、灰度图和灰度图像加噪声图

凯斯西储大学轴承数据图 包括 原始信号图，灰度图 ，灰度图像加噪声图
处理和可视化凯斯西储大学轴承数据集，包括原始信号图、灰度图和灰度图像加噪声图。我们将使用Python和一些常用的库来完成这些任务。

1. 数据集准备

数据集概述

• 数据集名称: 凯斯西储大学轴承数据集
• 数据集来源: 凯斯西储大学
• 数据集内容: 包括完好试验轴承数据、外圈故障轴承数据、内圈故障轴承数据和滚珠故障轴承数据。
• 故障类型及程度:
  • 外圈故障轴承数据: 0.021, 0.014, 0.007
  • 内圈故障轴承数据: 0.021, 0.014, 0.007
  • 滚珠故障轴承数据: 0.021, 0.014, 0.007

数据集目录结构

假设数据集已经下载并解压到指定目录：

CWRU-Bearing-Dataset/
├── 0.021_outer_fault/
│   ├── 0.021_outer_fault.mat
│   └── ...
├── 0.014_outer_fault/
│   ├── 0.014_outer_fault.mat
│   └── ...
├── 0.007_outer_fault/
│   ├── 0.007_outer_fault.mat
│   └── ...
├── 0.021_inner_fault/
│   ├── 0.021_inner_fault.mat
│   └── ...
├── 0.014_inner_fault/
│   ├── 0.014_inner_fault.mat
│   └── ...
├── 0.007_inner_fault/
│   ├── 0.007_inner_fault.mat
│   └── ...
├── 0.021_ball_fault/
│   ├── 0.021_ball_fault.mat
│   └── ...
├── 0.014_ball_fault/
│   ├── 0.014_ball_fault.mat
│   └── ...
├── 0.007_ball_fault/
│   ├── 0.007_ball_fault.mat
│   └── ...
└── normal/
    ├── normal.mat
    └── ...

2. 导入库

首先，我们需要导入必要的库。

import numpy as np
import matplotlib.pyplot as plt
import scipy.io as sio
import os
import cv2
from skimage.util import random_noise

3. 读取数据

编写一个函数来读取MAT文件中的数据。

def load_bearing_data(file_path):
    mat = sio.loadmat(file_path)
    data = mat['X097_DE_time']  # 假设数据存储在'X097_DE_time'键下，根据实际情况调整
    return data

4. 绘制原始信号图

编写一个函数来绘制原始信号图。

def plot_signal(data, title):
    plt.figure(figsize=(12, 4))
    plt.plot(data)
    plt.title(title)
    plt.xlabel('Sample Index')
    plt.ylabel('Amplitude')
    plt.show()

5. 将信号转换为灰度图

编写一个函数将信号转换为灰度图。

def signal_to_grayscale(data, img_size=(64, 64)):
    # 将信号归一化到0-255
    data = (data - np.min(data)) / (np.max(data) - np.min(data)) * 255
    # 将信号重塑为灰度图
    img = np.reshape(data, (img_size[0], img_size[1]))
    return img.astype(np.uint8)

6. 添加噪声

编写一个函数向灰度图添加噪声。

def add_noise_to_image(image, mode='gaussian', var=0.01):
    noisy_image = random_noise(image, mode=mode, var=var)
    noisy_image = (255 * noisy_image).astype(np.uint8)
    return noisy_image

7. 主程序

编写主程序来读取数据、绘制原始信号图、生成灰度图和带噪声的灰度图，并保存这些图像。

def main():
    # 数据集路径
    dataset_path = 'CWRU-Bearing-Dataset'
    
    # 故障类型及程度
    fault_types = {
        'outer': [0.021, 0.014, 0.007],
        'inner': [0.021, 0.014, 0.007],
        'ball': [0.021, 0.014, 0.007]
    }
    
    # 图像尺寸
    img_size = (64, 64)
    
    # 创建输出目录
    output_path = 'output_images'
    os.makedirs(output_path, exist_ok=True)
    
    # 处理正常数据
    normal_data = load_bearing_data(os.path.join(dataset_path, 'normal', 'normal.mat'))
    plot_signal(normal_data, 'Normal Bearing Signal')
    normal_img = signal_to_grayscale(normal_data, img_size)
    noisy_normal_img = add_noise_to_image(normal_img)
    
    plt.imsave(os.path.join(output_path, 'normal_grayscale.png'), normal_img, cmap='gray')
    plt.imsave(os.path.join(output_path, 'noisy_normal_grayscale.png'), noisy_normal_img, cmap='gray')
    
    # 处理故障数据
    for fault_type, severities in fault_types.items():
        for severity in severities:
            folder_name = f'{severity}_{fault_type}_fault'
            file_path = os.path.join(dataset_path, folder_name, f'{severity}_{fault_type}_fault.mat')
            data = load_bearing_data(file_path)
            plot_signal(data, f'{fault_type.capitalize()} Fault ({severity}) Signal')
            
            img = signal_to_grayscale(data, img_size)
            noisy_img = add_noise_to_image(img)
            
            plt.imsave(os.path.join(output_path, f'{folder_name}_grayscale.png'), img, cmap='gray')
            plt.imsave(os.path.join(output_path, f'noisy_{folder_name}_grayscale.png'), noisy_img, cmap='gray')

if __name__ == "__main__":
    main()

8. 运行脚本

确保你的数据集路径和文件名正确无误后，运行脚本：

python main.py

9. 结果

运行脚本后，你将在output_images目录中找到以下文件：

• 原始信号图
• 灰度图
• 带噪声的灰度图

10. 注意事项

1. 数据文件路径：确保数据文件路径正确，特别是MAT文件的键名。
2. 图像尺寸：img_size可以根据实际需求调整。
3. 噪声类型和强度：add_noise_to_image函数中的噪声类型和强度可以根据实际需求调整。

11. 总结

通过以上步骤，你可以处理和可视化凯斯西储大学轴承数据集，生成原始信号图、灰度图和带噪声的灰度图。