数据来源于故障模拟实验台（见图1）。✔ 多部件耦合（电机 + 轴承 + 齿轮箱等）✔ 多故障类型（单一 + 复合）✔ 多工况（稳态 + 时变）✔ 多通道信号（4通道振动）分布式故障诊断图神经网络研究工业复杂系统建模。

本数据集包含在30种不同工况（包括恒定转速和变转速）下，齿轮箱在3种不同健康状态下采集的振动信号。该数据集为公开数据集，任何人均可用于验证齿轮箱故障诊断算法。若在研究中使用本数据集，请引用以下论文：DOI:齿轮箱故障实验基于Spectra-Quest 机械故障模拟器搭建（见图1）。转速控制器电机加速度传感器齿轮箱数据采集板正常（Normal）断齿（Broken tooth）缺齿（Missing t

本数据集包含在11种不同工况（包括恒定转速和时变转速）下、9种不同健康状态的轴承振动信号数据。该数据集为公开数据，任何人都可以使用它来验证滚动轴承故障诊断算法。使用 HUSTbearing 数据集的相关论文，请引用以下文献：图1：(a) HUSTbearing 数据集实验台架轴承故障实验使用Spectra-Quest 机械故障模拟器进行，如图1所示。转速控制器、电机、轴、加速度传感器、轴承以及数据

1.为了进行论文复现，或者进行模型的改进，固定住随机种子十分必要，不然所作的改进的提升效果无从知晓，以下代码可以确保每次训练的过程一摸一样def seed_torch(seed=42):seed = int(seed)random.seed(seed)os.environ['PYTHONHASHSEED'] = str(seed)np.random.seed(seed)torch.manual_s

sklearn.cluster.KMeans 参数介绍为什么要介绍sklearn这个库里的kmeans？　　这个是现在python机器学习最流行的集成库，同时由于要用这个方法，直接去看英文文档既累又浪费时间、效率比较低，所以还不如平时做个笔记、打个基础。　　这里还有一个原因，上面介绍了k-means++，sklearn.cluster.KMeans这个类对于初始聚类中心的选择刚好默认选择的就...

1.为了进行论文复现，或者进行模型的改进，固定住随机种子十分必要，不然所作的改进的提升效果无从知晓，以下代码可以确保每次训练的过程一摸一样def seed_torch(seed=42):seed = int(seed)random.seed(seed)os.environ['PYTHONHASHSEED'] = str(seed)np.random.seed(seed)torch.manual_s

1. pytorch 对于数据的标签要求是长整形，因此要对标签进行转换train_label = train_label.long()2.对于数据的特征部分，要转换为tensor 形式，可以通过torch.tensor 将数据从numpy 转为tensortrain_fea = torch.tensor(train_fea, dtype=torch.float32)3.封装数据data = tor

Tensor 元素统计

```pythonfor i in range(10):exec ("temp%s=1"%i)在这里，通过一个循环来生成10个变量，i的变化从0到9。用变量i替代%s，所以在每次循环里面，分别给temp0,temp1赋值...