#滚动轴承故障诊断CNN-LSTM实例代码torch(10分类)
前言
针对大数据下的滚动轴承振动信号自适应故障特征提取与智能诊断问题,提出了一种结合卷积神经网络(CNN)与长短时记忆网络(LSTM)的故障诊断模型.首先通过网格搜索算法寻找到当前模型的最优初始参数;然后以原始一维振动信号作为模型的输入,利用网络CNN层自适应提取短时特征信并降维后作为LSTM层输入;接着利用LSTM层学习特征信息并训练神经网络模型;最后,网络输出层利用Softmax函数实现多故障模式识别,完成故障诊断。模型由6层cnn与1层lstm组成。
一、CNN是什么?
CNN(卷积神经网络)在轴承故障诊断上有着广泛的应用。CNN的主要作用实际上是提取特征,利用轴承的时域波形信息,自动学习并提取特征,用以区分各个状态之间的区别1。通过卷积层、池化层和全连接层的组合,CNN能够有效地提取故障特征,并对其进行分类2。
与传统的轴承故障诊断方法相比,基于CNN的方法能够克服一些传统方法的不足,如需要复杂的信号处理技术、受人为因素影响较大、模型训练没有实现最优化、以及在大数据背景下模型的学习能力及泛化性能不足等3。因此,CNN在轴承故障诊断领域具有较高的准确性和鲁棒性,并且能够有效地处理变工况下的轴承故障数据2。
二、LSTM是什么?
长短期记忆网络(LSTM,Long Short-Term Memory)是一种适用于处理序列数据的递归神经网络,特别是语音和语言数据。LSTM算法的核心是一个“循环”单元,它能够学习长期依赖关系。
LSTM的核心组成部分是一个“cell state”,它类似于传统神经网络中的“隐藏层”。不同之处在于,LSTM通过一种名为“门”的结构来控制信息的流入和流出。
遗忘门:决定上一时间步的记忆多少被遗忘。
输入门:决定当前时间步有多少新信息被存储。
输出门:决定应该输出多少记忆。
LSTM结构(图右)和普通RNN的主要输入输出区别如下所示。
三、实验结果
评估参数:
train ACC:0.9998
validation ACC:1.0000
F1 Score: 0.9907917125412873
FPR: 0.0010222222222222221
Recall: 0.9907999999999999
Precision: 0.9911280610196709
提示:完整代码见某鱼:t1234
https://m.tb.cn/h.g1OSIf5?tk=UfTDWGbG7uk CZ3458
文章参考:
【期刊论文】CNN-LSTM深度神经网络在滚动轴承故障诊断中的应用_ 陈保家 | 陈学力