【故障诊断】格拉姆变换与并行网络CNN故障诊断研究（Matlab代码实现）

    💥💥💞💞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

📚2 运行结果

🎉3 参考文献 

🌈4 Matlab代码实现

---

 ⛳️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。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，但若能解答你胸中升起的一朵朵疑云，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

📚2 运行结果

格拉姆矩阵图像：

部分代码：

%% Set the hyper parameters for unet training
options0 = trainingOptions('adam', ...                 % 优化算法Adam
    'MaxEpochs', 150, ...                            % 最大训练次数
    'GradientThreshold', 1, ...                       % 梯度阈值
    'InitialLearnRate', 0.001, ...         % 初始学习率
    'LearnRateDropFactor',0.01, ...                    % 学习率调整因子
    'L2Regularization', 0.001, ...         % 正则化参数
    'ExecutionEnvironment', 'cpu',...                 % 训练环境
    'Verbose', 1, ...                                 % 关闭优化过程
    'Plots', 'none');                    % 画出曲线
% % start training
t0 = tic;  %开始计时
net = trainNetwork(trainD,train_Y, layers0,options0 );
toc(t0); % 从t0开始到此处的执行时间
%% Accuracy assessment
pred = classify(net, testD);
pred = pred';
accuracy=sum(test_Y==pred)/length(pred);   %计算预测的确率

% 标准bilstm作图
% 画方框图
figure
confMat = confusionmat(test_Y,pred);  %test_Y是真实值标签
zjyanseplotConfMat(confMat.');
xlabel('Predicted label')
ylabel('Real label')
title(['测试集正确率 = ',num2str(accuracy*100),' %'])
% 作图
figure
scatter(1:length(pred),pred,'r^')
hold on
scatter(1:length(pred),test_Y,'b*')
legend('预测类别','真实类别','NorthWest')
title(['测试集正确率 = ',num2str(accuracy*100),' %'])
xlabel('预测样本编号')
ylabel('分类结果')
box on
set(gca,'fontsize',12)

🎉3 参考文献 

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

[1]李宗源,陈谦,钱倍奇,等.基于格拉姆角场与并行CNN的并网逆变器开关管健康诊断[J].电力自动化设备, 2024, 44(8):153-159.

[2]张国栋,尹 强,羊 柳.基于格拉姆角场和 PSO-CNN 的滚动轴承 故障诊断方法[J].Journal of Ordnance Equipment Engineering, 2024, 45(4).

🌈4 Matlab代码实现

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取