search

l1006986533 / unixassignment2

0 stars 0 forks source link

PHMGNNBenchmark中的infer.1 #2

Open QiAoo1 opened 1 week ago

QiAoo1 commented 1 week ago

您好，最近在复现《The emerging graph neural networks for intelligent fault diagnostics and prognostics: A guideline and a benchmark study》中代码，看到您添加的infer1代码： （1）请问infer.1模型是用来测试数据集故障类型吗？ （2）输出为1是代表该数据集为轻微磨损吗？我尝试更换不同类型Knn后输出为仍1，这种情况正常吗？ 希望可以得到您的回复，万分感谢！！

l1006986533 commented 1 week ago

（1）请问infer.1模型是用来测试数据集故障类型吗？ 是的 （2）输出为1是代表该数据集为轻微磨损吗？ 参考datasets/XJTUGearboxRadius.py文件第12行 fault_name = ['1ndBearing_ball','1ndBearing_inner','1ndBearing_mix(inner+outer+ball)','1ndBearing_outer','2ndPlanetary_brokentooth','2ndPlanetary_missingtooth','2ndPlanetary_normalstate','2ndPlanetary_rootcracks','2ndPlanetary_toothwear'] 1代表1ndBearing_inner，即轴承内圈损坏 （3）我尝试更换不同类型Knn后输出为仍1，这种情况正常吗？ 正常。如果想要输出其他类型的损坏，修改infer1.py第4行 x=torch.FloatTensor(a[400].x) #将114改为400 将会输出4，即轴承外圈损坏(1ndBearing_outer)

QiAoo1 commented 1 week ago

首先对您在百忙之中的回复表示真诚的感谢。 关于x=torch.FloatTensor(a[400].x)的解释： （1）我是否可以理解为输出的损坏类型是对我们选择的数据点分类。如x=torch.FloatTensor(a[400].x)#输出为4代表1ndBearing_outer；x=torch.FloatTensor(a[300].x)#输出为3代表1ndBearing_mix （2）若上述理解正确，那么数据点的选择有限制吗？ （3）最后，怎么证明我们测试的数据点输出的损坏类型正确性？

l1006986533 commented 1 week ago

(1)是的，你的理解是正确的 (2)没有限制。非要说的话，总共900个数据点，所以限制a[0]到a[899] (3)在infer1.py第5行添加一行：print("ground truth:",a[300].y[0])

QiAoo1 commented 5 days ago

非常感谢您的耐心回复与解答，在此对您再次表示我真诚的感谢！！！