挑战地址
https://ic-frontend.landinn.cn/app/challenge-detail/33
挑战简介
工业用机械由于工作时间长工作负荷大，会出现“亚健康”状态，本题目为“亚健康”监测，对设备的运行具有安全意义！
题目背景
在随着工业科技不断发展，工厂的设备都趋向大型化、智能化，滚动轴承是工业旋转设备必不可少的关键性的部件，占比高达30%，由于其工作时间较长且工作负荷较大，又极其的复杂，不免会有损坏，对其进行状态监测是极具意义且对很多行业都是极具价值。考虑到轴承故障不是一瞬间形成，可以借鉴医学上的“亚健康”状态来表征轴承的带病运行状态，处于这个状态的设备不会马上不能运行，但继续运行而不更换零件就会使“亚健康”状态加深，慢慢就会成为故障状态，继而导致设备停工，因而对“亚健康”设备的健康状态监测是很有经济意义和安全意义的。
题目任务
本任务旨在构建一种机器学习算法模型，建立振动信号和“亚健康”状态之间的关系，通过一系列手段，使得模型具有更高的准确率、更好的鲁棒性和泛化性。
数据简介
本实验数据选取Case Western Reserve University实测的轴承数据集。 对测试的轴承用电火花加工单点损伤，损伤直径为0.007英寸，电动机驱动端的轴承座上方放置一个加速度传感器用来采集故障轴承的振动加速度信号。振动信号由16 通道数据记录仪采集得到，采样频率为12 kHz。功率和转速通过扭矩传感器/译码器测得。由于这种条件采集到的数据已标准化，且受到了很多学者的认可，具有较强的鲁棒性，因此我们采用此数据来验证本文提出算法的有效性。
数据说明
采集了电机负载0,1,2,3马赫下，分别四种状态的轴承数据，即正常、内圈故障、滚动体故障、外圈故障，每个样本均有编号，来验证本文提出的算法。
具体参数如表所示：实验装置参数 文件集train：负载0，0,1,2,3分别表示正常，内圈故障，滚动体故障，外圈故障信号标签。
赛题说明
本题目为训练型任务，题目不设奖励，仅供学习者练习学习使用，参赛者可将相应方案完成后上传平台。经过平台专家评审后，择优进行采访分享解题思路。
