运行效果:东南大学轴承故障诊断(Python代码,内圈/外圈/滚动体/正常四种类型下的诊断,模型为MSCNN结合LSTM结合注意力机制模型,有注释)_哔哩哔哩_bilibili
运行代码要求
代码运行环境要求:Keras版本>=2.4.0,python版本>=3.6.0
本次实验主要是在两种不同工况数据下,进行没有复合故障的诊断实验。
1.东南大学采集数据平台
数据
该数据集包含2个子数据集,包括轴承数据和齿轮数据,这两个子数据集都是在传动系动力学模拟器(DDS)上获取的。(第一个文件夹是轴承数据,第二个文件夹是齿轮数据,本次是针对轴承数据进行故障诊断)
本实验主要是利用轴承数据(第一个文件夹的数据)进行故障诊断,轴承具体数据
有两种工况,转速-负载配置设置为20-0和30-2。
每种工况下有:ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)
code_20.py是只使用20_0工况下ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集诊断。
code_30.py是只使用30_2工况下ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集诊断。没有使用复合故障数据集
模型
首先在20-0工况数据集下实验
2.1.使用ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集。
每类故障有1000个样本(一共4000个样本),训练集与测试集比例是4:1(训练集:3200个样本,测试集:800个样本)
3.在30-2工况数据集下实验
3.1.使用ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集。没有使用复合故障数据集
每类故障有1000个样本(一共4000个样本),训练集与测试集比例是4:1(训练集:3200个样本,测试集:800个样本)
本次项目所有代码和数据放在了压缩包(可远程协助运行代码)
import pandas as pd
import pandas as pd
import numpy as np
from keras.utils import np_utils
from sklearn import preprocessing
import tensorflow as tf
from matplotlib import pyplot as plt
#压缩包:https://mbd.pub/o/bread/ZJybmJ9p