采用双流卷积神经网络对美国西储大学轴承故障数据集进行融合诊断完整代码

最新推荐文章于 2025-03-06 10:31:10 发布
最新推荐文章于 2025-03-06 10:31:10 发布
阅读量1.2k 收藏 9
点赞数 6
文章标签： cnn 人工智能 神经网络 机器人 深度学习 python
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_56997902/article/details/131434077
版权
文章介绍了使用双流CNN进行故障诊断的方法，该方法结合1D-CNN分析FFT频谱和2D-CNN处理小波时频图，提高了诊断准确率。数据预处理在MATLAB中完成，网络训练环境基于Python和PyTorch，实验数据来源于西储大学的轴承故障诊断数据集。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

双流CNN由两个通道构成，分别为1D-CNN与2D-CNN，其中1D-CNN的输入为故障信号的FFT频谱，2D-CNN的输入故障信号的小波时频图。经过卷积与池化操作后在Flatten层将两个通道的特征向量进行拼接，接着是全连接层与分类层。通过融合一维时域特征与二维时频特征，有效提高故障诊断的准确率。

采用MATLAB对数据进行预处理；网络训练环境为python3.7 与 pytorch1.8.0，既可以用CPU也可以用GPU。

实验的数据来自美国西储大学轴承故障诊断数据集，48k/0HP，总共10个故障类别。file1_data_process.m文件是对数据按7:2:1的比例进行划分，并保存在data_process.mat中。

Flie2_xiaobo_process是对划分后的data_process.mat进行小波时频变换操作，并保存在“小波时频图

最低0.47元/天 解锁文章
使用TensorFlow双流卷积神经网络对CK+表情数据库进行分类
ciel_monkingjay的博客
12-19 9096
本文所有代码已经放在GitHub上https://github.com/zhuzhuxia1994/CK-TensorFlow 双流卷积神经网络我最初是在做行为识别的时候接触到的，双流指的是时间流和空间流，再具体一点就是，时间流指的是对光流图片进行卷积处理，然后空间流指的是对RGB图片进行卷积处理，然后进行融合操作。这样往往比单纯对RGB图片进行卷积效果好，特别是在视频行为识别等方面，因为引入了
基于融合CNN(2D-CNN与1D-CNN融合)与SVM的滚动轴承故障诊断
qq_41043389的博客
01-07 2万+
本文将2D-CNN与1D-CNN融合，同时对轴承数据集进行训练，然后在汇聚层将两者池化层的输出连接成一个向量，送进全连接层。模型训练结束之后，取FC层的输出作为提取到的故障特征信号进行SVM分类
视频理解开山之作 “双流网络”
最新发布
m0_73359068的博客
03-06 1148
最典型的例子是视频分类任务中的两个流，一个处理静态图像信息（通常是视频的每一帧），另一个处理动态信息（通常是光流，描述了视频帧之间的运动）。双流网络需要两个独立的网络处理不同的流，这意味着需要更多的计算资源，尤其是在处理长视频或高分辨率图像时。双流网络需要同时训练两个流，这可能会增加训练过程的复杂性，并且两个流之间的学习过程可能不完全同步，导致训练过程不稳定或收敛速度较慢。双流网络依赖于不同类型的数据（如图像和光流），如果数据不充分或质量不高，可能会导致信息缺失或冗余，影响最终的识别效果。
双流神经网络
weixin_45387588的博客
12-25 2212
我们将我们的方法命名为隐藏的双流CNN，因为它只将原始视频帧作为输入，并直接预测动作类，而无需显式计算光流。3. 双流CNN在处理不同类型的数据时需要设计不同的网络结构，例如针对语音的双流CNN与针对视频的双流CNN具有不同的网络结构，因此需要更为灵活的设计方法。2. 在训练CNN时，传统的方法是采用随机初始化的方法，需要大量的样本数据来训练，而使用双流CNN可以利用之前训练过的图像识别CNN的参数，，这两种信息并不是独立的，因此可能会出现信息重复或遗漏的问题，需要对模型进行进一步的优化。
动态纹理合成新星：双流卷积神经网络
gitblog_00681的博客
08-29 396
动态纹理合成新星：双流卷积神经网络 two-stream-dyntex-synthCode for the paper "Two-Stream Convolutional Networks for Dynamic Texture Synthesis". Presented at CVPR '18.项目地址:https://gitcode.com/gh_mirrors/tw/two-stream-...
视频理解学习笔记（一）：双流卷积神经网络
m0_50652864的博客
05-25 2092
深度学习应用在视频动作识别领域的开山之作Two-Stream CNN
【残差信息增强：双流卷积神经网络：Pansharpening】
weixin_43690932的博客
03-25 1956
仅供自己参考
采用paddle框架自定制一维卷积神经网络对西储大学轴承数据集进行故障识别（复现于基于卷积神经网络的轴承故障诊断算法研究的论文）
11-12
在本项目中，我们主要探讨的是如何利用Paddle框架构建一维卷积神经网络（1D CNN）对西储大学轴承数据集进行故障识别。这是一个典型的应用深度学习技术解决机械设备故障预测的问题，对于工业设备的健康管理和维护具有...
基于多尺度卷积神经网络与美国西储大学轴承故障诊断数据集的完整诊断代码研究与实践,基于多尺度卷积神经网络架构的美国西储大学轴承故障诊断完整代码：一种由三个1D-CNN分支构成的深度学习模型及其实现细节
02-11
基于多尺度卷积神经网络与美国西储大学轴承故障诊断数据集的完整诊断代码研究与实践,基于多尺度卷积神经网络架构的美国西储大学轴承故障诊断完整代码：一种由三个1D-CNN分支构成的深度学习模型及其实现细节,基于多...
故障诊断：美国西储大学（CRWU）轴承故障数据集
02-18
【故障诊断：美国西储大学（CRWU）轴承故障数据集】 美国凯斯西储大学（Case Western Reserve University，简称CWRU）是全球知名的高等教育机构，其在工程领域，尤其是机械工程方面有着深厚的学术积累。这个数据集...
西储大学滚动轴承故障数据集.rar
01-13
西储大学滚动轴承故障数据集是一份非常重要的资源，它为研究人员和工程师提供了真实世界中滚动轴承失效的实例，用于分析、诊断和预测机械系统的健康状况。这个数据集源自美国西储大学，一个在工程教育和研究方面享有...
基于双流卷积神经网络的监控视频中打斗行为识别研究.caj
07-08
智能监控系统的主要特点是在可以自动对监控视频中的图像序列进行处理，具体处理包括定位目标、跟踪目标或者识别目标行为。应用计算机视觉相关技术来进行异常行为识别是目前非常热门的研究方向，研究过程包括了图像处理、视频分析、机器学习等领域的相关技术。对运动目标的跟踪、建模以及根据其所处环境对行为进行判断和分类，以及让计算机理解人体各种行为，这些任务都有较大的难度，因此，研究异常行为识别算法有很高理论及实际意义。
基于双流卷积神经网络的RGB-D图像联合检测
02-04
当前卷积神经网络结构未能充分考虑RGB图像和深度图像的独立性和相关性, 针对其联合检测效率不高的问题, 提出了一种新的双流卷积网络。将RGB图像和深度图像分别输入到两个卷积网络中, 两个卷积网络结构相同且权值共享, 经过数次卷积提取各自独立的特征后, 在卷积层根据最优权值对两个卷积网络进行融合；继续使用卷积核提取融合后的特征, 最后通过全连接层得到输出。相比于以往卷积网络对RGB-D图像采用的早期融合和后期融合方法, 在检测时间相近的情况下, 双流卷积网络检测的准确率和成功率分别提高了4.1%和3.5%。
（1DCNN 一维深度卷积神经网络）的轴承故障诊断(python代码)（私聊打折）
05-03
一维DCNN用于轴承故障诊断，仿真数据集为CWRU（凯西私储大学的公开轴承数据集） 轴承故障诊断时机械状态监测的热门研究方向，其算法的核心在于信号特征提取与模式分类两个部分。在轴承故障诊断领域，常见的特征提取算法有快速傅里叶变化，小波变换，经验模式分解以及信号的统计学特征等，常见的模式分类算法有支持向量机，BP 神经网络（也称为多层感知器），贝叶斯分类器以及最近邻分类器等。当下轴承故障诊断的研究热点是可以归结为 3 类：寻找更好的特征表达；寻找最适合的特征表达以及分类器的组合；以及发明新的传感器。
行为识别之双流卷积网络
热门推荐
weixin_41041772的博客
11-30 2万+
1、简介 从视频中进行行为识别，其挑战在于从静止帧捕获关于外观和帧间运动的补充信息。 贡献有三：a. 结合了时空信息  b. 多帧密集光流有助于性能提高  c. 多任务学习可用于增加训练数据量 该网络在 UCF-101 and HMDB-51两数据集上具有较好性能表现。 相比静态图像分类，视频的时序成分为行为识别提供了额外的线索（运动信息），并且视频本身对每帧图像具有天然的数据增强功能（帧...
论文新思路！双通道卷积神经网络！最新成果准确率近100%
学姐带你玩AI的博客
07-08 4666
它能捕捉到比单通道CNN更丰富的信息，从而提高模型的性能和鲁棒性。具体点讲，传统CNN采用单个卷积层提取特征，形成特征映射；而双通道CNN则通过两个并行卷积层同时处理输入数据，能更全面丰富地捕捉和合并特征。这种结构显著提高了特征表示能力和计算效率，降低了过拟合风险，还尤其适用于复杂的视觉任务，如图像分类、目标检测等，因为它可以有效提高识别精度。比如新提出的复合干扰识别方法，平均准确率接近100%！为适应更复杂的任务场景，目前的研究致力于开发更高效、更强大的双通道CNN方法。今天我就整理了。
Pytorch基于小波时频图与SwinTransformer的轴承故障诊断
qq_41043389的博客
09-12 6711
基于小波时频图与当前火热的swintransformer进行轴承故障诊断
双流网络、、、
weixin_36670529的博客
12-12 1万+
简介 双流CNN通过效仿人体视觉过程，对视频信息理解，在处理视频图像中的环境空间信息的基础上，对视频帧序列中的时序信息进行理解，为了更好地对这些信息进行理解，双流卷积神经网络将异常行为分类任务分为两个不同的部分。单独的视频单帧作为表述空间信息的载体，其中包含环境、视频中的物体等空间信息，称为空间信息网络；另外，光流信息作为时序信息的载体输入到另外一个卷积神经网络中，用来理解动作的动态特征，称为时...
【论文笔记】Attention-Based Two-Stream Convolutional Networks for Face Spoofing Detection
weixin_45366180的博客
11-22 1074
人脸欺骗攻击仍然是现代人脸识别系统的一个威胁。尽管已经提出了许多有效的反欺骗方法，但许多现有方法的性能会因光照而下降。本文提出了一个双流卷积神经网络（TSCNN），它在RGB空间（原始成像空间）和多尺度Retinex（MSR）空间工作。RGB空间包含详细的面部纹理，但是对光照很敏感；MSR对光照不敏感，但它包含的面部信息不那么详细。此外，MSR图像能有效地捕捉到人脸欺骗的高频信息，对人脸欺骗检测具有较强的鉴别能力。为了有效地融合两个来源（RGB和MSR）的特征，本文提出了一种基于注意力的融合方法。
用gru代码对美国凯斯西储大学轴承故障数据集进行故障诊断
05-31
以下是使用 PyTorch 实现 GRU 模型对美国凯斯西储大学轴承故障数据集进行故障诊断的示例代码： ```python import torch import torch.nn as nn import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler # 读取数据 data = pd.read_csv('K001_1_48k_0_12hp_B_C3_0.csv', header=None) data = data.values[:, 1] data = data.reshape(-1, 1) # 数据预处理 scaler = MinMaxScaler(feature_range=(-1, 1)) data_scaled = scaler.fit_transform(data) # 定义超参数 input_size = 50 hidden_size = 32 num_layers = 2 output_size = 1 learning_rate = 0.001 num_epochs = 100 # 创建训练数据集 X = [] y = [] for i in range(input_size, len(data_scaled)): X.append(data_scaled[i-input_size:i]) y.append(data_scaled[i]) X, y = np.array(X), np.array(y) # 划分训练集和测试集 train_size = int(len(data_scaled) * 0.8) X_train, X_test = X[:train_size], X[train_size:] y_train, y_test = y[:train_size], y[train_size:] # 创建数据加载器 train_data = torch.utils.data.TensorDataset(torch.from_numpy(X_train).float(), torch.from_numpy(y_train).float()) train_loader = torch.utils.data.DataLoader(train_data, batch_size=32, shuffle=True) # 定义 GRU 模型 class GRU(nn.Module): def __init__(self, input_size, hidden_size, num_layers, output_size): super(GRU, self).__init__() self.hidden_size = hidden_size self.num_layers = num_layers self.gru = nn.GRU(input_size, hidden_size, num_layers, batch_first=True) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x, h0): out, h = self.gru(x, h0) out = self.fc(out[:, -1, :]) return out, h model = GRU(input_size, hidden_size, num_layers, output_size) # 定义损失函数和优化器 criterion = nn.MSELoss() optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate) # 训练模型 for epoch in range(num_epochs): for i, (inputs, labels) in enumerate(train_loader): # 前向传播 outputs, _ = model(inputs, None) loss = criterion(outputs, labels) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() if (i+1) % 10 == 0: print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, i+1, len(train_loader), loss.item())) # 预测测试集 with torch.no_grad(): inputs = torch.from_numpy(X_test).float() outputs, _ = model(inputs, None) predicted = scaler.inverse_transform(outputs.numpy()) actual = scaler.inverse_transform(y_test) # 计算 R2 得分 from sklearn.metrics import r2_score print('R2 score:', r2_score(actual, predicted)) ``` 在上述代码中，我们首先读取了凯斯西储大学轴承故障数据集，并进行了数据预处理。然后，我们定义了超参数，包括输入大小、隐藏层大小、层数、输出大小、学习率和训练轮数。接着，我们创建了训练数据集和数据加载器，并定义了 GRU 模型、损失函数和优化器。在训练循环中，我们对每个 mini-batch 执行前向传播、损失计算、反向传播和优化。在预测测试集时，我们使用训练好的模型进行前向传播，并将预测结果反归一化。最后，我们计算模型在测试集上的 R2 得分。
评论 46
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