综上所述,凯斯西储大学的轴承数据集聚合了多工况、多方位、多载荷、多故障等级、多故障点位的特征,每种情形的数据都对应着相应的数据分布,也同样伴随着干扰。
深入解读与分析凯斯西储大学轴承数据集，本文首先概述了该数据集的结构和分类，介绍了使用WDCNN方法进行模式识别和故障诊断分类的基本原理与实现。然而，实验发现，当数据集从12kHz采样频率调整至48kHz时，模型准确率显著下降，仅达到可怜的2%左右，即使对数据进行缩放以匹配时间尺度，准确率也只有约10%。问题...