B题——齿轮箱故障诊断
题目复述：
在本题中，我们通过安装在齿轮箱不同部位的四个加速度传感器，采集了5种状态下齿轮箱的振动信号：
其中表单gearbox00为齿轮箱正常工况下采集到的振动信号；表单gearbox10为故障状态1下采集到的振动信号；表单gearbox20为故障状态2下采集到的故障信号；表单gearbox30为故障状态3下采集到的故障信号；表单gearbox40为故障状态4下采集到的振动信号。信号的采样频率为6.4kHz。请利用这些数据，建立数学模型解决以下问题：
1、对齿轮箱各个状态下的振动数据进行分析，研究正常和不同故障状态下振动数据的变化规律及差异，并给出刻画这些差异的关键特征。
2、建立齿轮箱的故障检测模型，对其是否处于故障状态进行检测，并对模型的性能进行评价。
3、建立齿轮箱的故障诊断模型，对其处于何种故障状态进行判断，并对模型的性能进行评价。
4、结合所建立的故障检测和诊断模型对附件2中另行采集的12组测试数据进行检测和诊断分析，将分析结果填写到下表中（注：测试数据中可能存在除以上4种故障之外的故障状态，若存在，则将对应的诊断结果标记为：其它故障），并将此表格放到论文的正文中。
这个问题可以看做一个分类问题，来源于gearbox00/10/20/30里的数据可以标记不同的种类（这里我将其标记为0,1,2,3）：
关键特征可以认为是分为此类的特征重要性。
由于特征量过少，可以自己再组合新的特征：
①基于特征组合产生新特征
②基于特征重要性产生新特征
分类模型效果和参数选择需要自行尝试，可以使用python进行建模，但是更建议使用SPSSPRO一键完成。
对另行采集的12组测试数据进行检测和诊断分析，就是运用上面的模型再预测的过程了。
SPSSPRO实战：
建模只需要简单拖入，不需要代码：
参数调整：
参数调整也可以使用启发式算法，这里演示只随意修改一点默认参数，优秀的参数需要自行尝试。
结果：
可见sensor4的数据最能看出是否故障。
模型的优秀程度也可以参考评估结果。
后续的12个数据可以带入进行预测
思路仅供参考