深度学习（CNN）进行轴承故障诊断--edge impulse完成

最新推荐文章于 2023-07-13 20:52:40 发布
最新推荐文章于 2023-07-13 20:52:40 发布
阅读量1.5k 收藏 9
点赞数
文章标签： 深度学习 cnn 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_26175393/article/details/129912307
版权
本文介绍了如何借助Edge Impulse平台，利用深度学习（CNN）对轴承故障进行诊断。首先，数据从.mat格式转换为.csv，然后进行预处理。在Edge Impulse平台上创建工程并选择时间序列数据类型，上传裁剪后的数据集进行模型训练。经过调整训练参数，最终得到约78%准确率的模型。部署方案简单便捷。
摘要由CSDN通过智能技术生成

简介

参考为文章内容为知乎的深度学习（CNN）进行轴承故障诊断
因为之前使用过openmv合作的edge impulse平台训练过几个简单的模型，环境不用配置，方法也简单，因此复现一下。

数据处理：mat转csv

这里参考的是怎么把.mat 转化成.csv格式
利用matlab的函数将知乎文章提供的数据集转换成edge impulse平台支持的数据集格式
转换效果

原始数据

原始数据集是很大的，并且根据之前几次训练经验来看，数据集权重也会影响精确度，原始数据中normal的大小最大，内圈和外圈的大小差不多。为了方便我将它们进行了裁剪

进一步处理

裁剪后行数相同
裁剪后三个数据集行数上相同，以及为了方便后续处理，将数据轴第一行都命名为了data

最低0.47元/天 解锁文章
恰了没
关注
基于CNN的变转速轴承故障智能诊断方法(CWTS+PSPP)
weixin_42036144的博客
12-21 3130
本方法的最大优势在于，可以在机器变速的情况下，依然可以获取较好的精确度。也就是防止了过拟合。 实际的技术改进有两个： 1.CWTS 用于对数据进行预处理，二维的CWTS对信号进行拆分后，它能维持信号在时域和频域上的所有信息 然后根据机器的转速，对二维信号作适当的大小裁剪，裁剪后的数据才作为CNN的输入 CWT原理 CWT，即连续小波变换，能把一段振动信号分解为时域和频域信号，原理如下 先看小波的基函数 它由一个复三角函数乘上一个指数衰减函数构成的 其中，i是常数，正在上传…重新上传取.
基于机器学习和深度学习的轴承故障诊断方法（Python）
最新发布
weixin_39402231的博客
06-14 839
程序运行环境为Python，采用tensorflow，keras和sklearn等模块，执行基于机器学习和深度学习模型的滚动轴承故障诊断。主要内容包括： [1]基于一维深度残差收缩网络DRSN的轴承故障诊断 [2]基于蝴蝶优化算法优化支持向量机的轴承故障诊断 [3]基于门控循环单元GRU，Inception网络，LSTM网络，随机森林的轴承故障诊断。
CNN网络的故障诊断（轴承的多故障类型分类+Python代码）
weixin_49890890的博客
07-13 9011
基于仿真数据的滚动轴承故障诊断研究。
手把手教你：基于深度学习的滚动轴承故障诊断
大雾的小屋的博客
09-18 3万+
本文主要介绍如何使用python搭建：一个基于深度学习的滚动轴承故障诊断系统 项目中涉及使用了多种方法对比检测结果，包括： 传统机器学习方法：随机森林 深度学习方法：CNN 增加残差模块后的深度学习方法：ResNet 如各位童鞋需要更换训练数据，完全可以根据源码将图像和标注文件更换即可直接运行。
用CNN判断机械轴承的故障数据
FUCCKL的博客
03-05 2万+
自己做的一个简单的深度学习在故障诊断上的应用 数据集来源：美国凯斯西储大学实验室的轴承数据http://csegroups.case.edu/bearingdatacenter/pages/12k-drive-end-bearing-fault-data 仿真所用数据节选自部分轴承数据：1797rpm转速下的正常振动数据和滚动体、内圈、外圈故障在三种故障等级下的振动数据，总共9种故障+1种正常...
基于CNN网络的轴承故障诊断
热门推荐
weixin_45679938的博客
08-13 6万+
内容参考：《基于卷积神经网络的轴承故障 诊断算法研究》–张伟 代码参考: https://github.com/AaronCosmos/wdcnn_bearning_fault_diagnosis 1 背景： 基于信号处理的特征提取+分类器的传统智能诊断算法，对专家经验要求高，设计耗时且不能保证通用性，已经不能满足机械大数据的要求。提出使用基于卷积神经网络智能诊断算法来自动完成特征提取以及故障识别。 1.1 挑战 机电产品故障诊断面临的挑战，有三大特点： （1）数据量大，专业分析人员的数量严重不足，仅依靠人
edge-impulse-cli:Edge Impulse的命令行界面工具
04-12
Edge Impulse CLI工具 ... $ npm install -g edge-impulse-cli 之后，您应该在PATH中拥有可用的工具。 故障排除 无法识别工具版本“ 2.0”（Windows） 如果您收到以下错误： The tools version "2
Edge Impulse导出的Arduino库中支持ESP32S3的ESP-NN
03-11
Edge Impulse导出的Arduino库中支持ESP32S3的使用ESP NN加速器文件。 Edge Impulse导出的Arduino库中支持ESP32S3的使用ESP NN加速器文件。 Edge Impulse导出的Arduino库中支持ESP32S3的使用ESP NN加速器文件。 Edge ...
pneumonia-detection-edgeml:使用Edge Impulse，Himax，Raspberry Pi和balenaCloud进行的肺炎检测项目
04-17
使用Edge Impulse，Himax，Raspberry Pi和balenaCloud进行的肺炎检测项目。 所需硬件 •Raspberry Pi 或 （此处我们使用了 ，这是工业级Raspberry Pi） • （如果您无法访问带宽） 注意：我们强烈建议使用 ，因为...
1维CNN轴承故障诊断code.rar
05-07
1维CNN轴承故障诊断code.rar
1dcnntest1_1DCNN_故障诊断_轴承故障诊断_tensorflowcnn_故障诊断轴承_
09-30
一维卷积网络对轴承故障诊断，程序语言为python，在tensorflow2.3.1，python3.6上运行
CNN_8layers_故障诊断_设备故障_卷积神经网络—故障诊断_CNN故障_卷积故障诊断
09-11
卷积神经网络进行故障诊断，机械设备智能故障诊断
深度学习 故障诊断PPT
10-25
个人学习总结的深度学习及其在故障诊断中的应用，这个PPT可以让你了解AE SAE RBM DNN CNN RNN等各种深度学习网络模型。
轴承故障诊断+1DCNN+深度学习+故障分类
02-09
基于1DCNN的轴承故障诊断，在CWRU数据集上进行验证，下载即可跑通，可作为baseline。同时具有抗噪实验功能，能输出各个混淆矩阵、训练时间和测试时间。 有详细注释，同时可讲解代码。 参考毕业论文《基于卷积神经网络的轴承故障诊断算法研究_张伟》 参考github: https://github.com/AaronCosmos/wdcnn_bearning_fault_diagnosis
TinyML水传感器-基于Edge Impulse和Arduino Sense
03-30
文件"tinyml-water-sensor-based-on-edge-impulse-arduino-sense-f8b133.pdf"很可能是项目指南或详细教程，其中涵盖了从数据采集到模型训练，再到在Arduino设备上部署和运行的所有步骤。这份文档是理解并复制该项目...
PHM——CNN故障诊断
贾维斯的小屋
02-29 8026
人工智能文献记录专栏，专栏地址：https://blog.csdn.net/u014157632/category_9760481.html，总目录：https://blog.csdn.net/u014157632/article/details/104578738。不定期更新 2020年 2019年 A convolutional neural network based on a ca...
基于深度学习的轴承故障识别-构建基础的CNN模型
Jiali Zhang的博客
09-25 1万+
上回书说到，处理序列的基本深度学习算法分别是循环神经网络（recurrent neural network）和一维卷积神经网络（1D convnet）。上篇构建了基础的LSTM模型，这一篇自然轮到CNN了。 目录 CNN介绍 1.卷积层 2.池化层 3.全连接层 4.优化器和损失函数 构建CNN模型 CNN介绍 卷积神经网络是多级神经网络，分为滤波级和分类级两级。滤波级用来对初始...
基于深度学习的轴承故障诊断系统
qq_55813245的博客
06-12 2230
一种基于深度学习的轴承故障诊断系统，对振动信号进行监测，实现从数据采集到特征识别的端到端智能故障诊断。
最小熵解卷积在带式输送机轴承故障诊断中的应用
在轴承故障诊断中，MED通过寻找最优滤波器对微弱的故障信号进行滤波，从而增强故障特征。这一过程的关键在于设计合适的有限冲击响应（Finite Impulse Response, FIR）滤波器，其阶数L的选择直接影响解卷积的效果。...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值