一维(1D)CNN模型下轴承故障诊断（Python，TensorFlow框架下，很容易改为其它模型，解压缩后可以直接运行，无需修改任何目录）

最新推荐文章于 2024-02-01 16:47:06 发布

深度学习的奋斗者

最新推荐文章于 2024-02-01 16:47:06 发布

阅读量846

点赞数

分类专栏：诊断领域创新代码文章标签： cnn 人工智能算法

本文链接：https://blog.csdn.net/qq_40840797/article/details/132010740

版权

诊断领域创新代码专栏收录该内容

55 篇文章 75 订阅

订阅专栏

文章介绍了使用凯斯西储大学轴承数据集进行故障检测研究，采用1DCNN模型并利用数据增强技术，如重叠切割，对不同负载和故障状态的数据进行处理。在0HP到3HP数据集中，测试集准确率介于99.46%至100.00%，显示出模型的良好性能。实验基于TensorFlow2.4.0和Python3.6.0环境。

摘要由CSDN通过智能技术生成

1.数据集

使用凯斯西储大学轴承数据集，一共有4种负载下采集的数据，每种负载下有10种故障状态：三种不同尺寸下的内圈故障、三种不同尺寸下的外圈故障、三种不同尺寸下的滚动体故障和一种正常状态。

2.模型（1DCNN）

使用数据增强的方式：重叠切割（每个样本长度是1024）

3.效果

0HP数据集(训练集与测试集比例为7:3)，测试集准确率为100.00%

1HP数据集(训练集与测试集比例为7:3)，测试集准确率为99.46%

2HP数据集(训练集与测试集比例为7:3)，测试集准确率为99.83%

3HP数据集(训练集与测试集比例为7:3)，测试集准确率为100.00%

代码运行环境要求

tensorlfow>=2.4.0

python>=3.6.0,

其他库版本无要求

对代码和数据感兴趣的可以关注


import os
import sys
from scipy.io import loadmat
import numpy as np
import pandas as pd
import torch
from sklearn.model_selection import train_test_split
from tqdm import tqdm
from pandas import DataFrame
import code
import tensorflow as tf
from keras.utils import np_utils
from matplotlib import pyplot as plt
#压缩包：https://mbd.pub/o/bread/mbd-ZJyUm5Zs