【故障诊断】【pytorch】基于CNN-1D、2D故障分类的轴承故障诊断研究[西储大学数据]（Python代码实现）

长安程序猿

于 2025-05-06 16:28:44 发布

阅读量716

点赞数 18

文章标签： python pytorch cnn

本文链接：https://blog.csdn.net/Yan_she_He/article/details/147742179

版权

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

一、引言

二、西储大学轴承数据集介绍

三、研究方法

1. 数据预处理

2. CNN-1D故障分类模型

3. CNN-2D故障分类模型

四、实验结果与分析

1. 实验设置

2. 实验结果

3. 结果分析

五、结论与展望

📚2 运行结果

2.1 CNN-1D故障分类

2.2 CNN-2D故障分类

🎉3 参考文献

🌈4 Python代码、数据、文档说明书下载

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

一、引言

轴承作为机械设备中的关键部件，其运行状态对于设备的整体性能和寿命具有重要影响。因此，对轴承故障进行及时、准确的诊断对于保障设备的安全运行具有重要意义。近年来，随着深度学习技术的不断发展，卷积神经网络（CNN）在图像识别、信号处理等领域取得了显著成果。本研究旨在利用CNN-1D和CNN-2D对西储大学轴承数据集进行故障分类，以期为轴承故障的智能诊断提供新的思路。

二、西储大学轴承数据集介绍

西储大学轴承数据集是机械故障诊断领域的标准数据集之一，包含了多种工况和故障类型的轴承振动数据。该数据集由凯斯西储大学提供，涵盖了正常运行的轴承数据以及内圈故障、外圈故障和滚动体故障等多种故障类型的数据。数据集的格式清晰，便于导入到MATLAB、Python等常用编程环境中进行进一步处理和分析。

三、研究方法

1. 数据预处理

对西储大学轴承数据集进行预处理，包括去噪、归一化等步骤，以提高数据质量。同时，将数据集划分为训练集、验证集和测试集，用于后续模型的训练和评估。

2. CNN-1D故障分类模型

模型构建：利用一维卷积神经网络（CNN-1D）构建故障分类模型。CNN-1D能够自动提取振动信号的时域特征，适用于处理一维振动信号。
特征提取：通过卷积层和池化层的堆叠，自动提取输入信号的特征。
分类器：在特征提取的基础上，使用全连接层构建分类器，对故障类型进行分类。

3. CNN-2D故障分类模型

数据转换：将一维振动信号通过时频变换（如小波变换）转换为二维时频图，以便利用二维卷积神经网络（CNN-2D）进行处理。
模型构建：利用CNN-2D构建故障分类模型。CNN-2D能够提取二维时频图的特征，捕捉信号在时域和频域上的变化。
特征提取与分类：与CNN-1D类似，通过卷积层和池化层提取特征，并使用全连接层进行分类。

四、实验结果与分析

1. 实验设置

选用西储大学轴承数据集进行实验。
将数据集划分为训练集、验证集和测试集，比例分别为70%、15%和15%。
使用准确率、精确率、召回率和F1 Score等指标评估模型性能。

2. 实验结果

CNN-1D模型在测试集上的准确率较高，能够准确识别多种故障类型。
CNN-2D模型在处理复杂数据类型时表现出色，通过时频变换提取的特征具有更强的表示能力，但在计算成本上相对较高。
对比实验发现，CNN-1D在处理一维振动信号时具有更高的效率，而CNN-2D在捕捉信号的时频特性上更具优势。

3. 结果分析

CNN-1D和CNN-2D在轴承故障诊断中均表现出色，但各有优劣。
CNN-1D适用于处理一维振动信号，具有更高的效率和较低的计算成本。
CNN-2D适用于处理复杂数据类型，通过时频变换提取的特征能够更全面地反映信号的特性，但在计算成本上相对较高。

五、结论与展望

本研究利用CNN-1D和CNN-2D对西储大学轴承数据集进行了故障分类研究。实验结果表明，CNN-1D和CNN-2D在轴承故障诊断中均具有较高的准确性，但各有优劣。未来研究可以进一步探索如何结合两者的优势，构建更加高效、准确的轴承故障诊断模型。同时，随着深度学习技术的不断发展，期待有更多新的模型和方法应用于轴承故障诊断领域，为设备的安全运行提供有力保障。