基于一维残差网络的美国西储大学轴承故障诊断完整代码

最新推荐文章于 2024-05-27 20:43:17 发布
最新推荐文章于 2024-05-27 20:43:17 发布
阅读量420 收藏 1
点赞数 2
文章标签： 人工智能 cnn matlab 神经网络 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/132776560
版权

采用Resnet18网络对美国西储大学轴承故障数据集进行诊断。

本次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。

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。

file1_data_process.m文件是对原始数据按7:2:1的比例进行划分，并保存在data_process.mat中。

file2_fft_preprocess.m是对划分后的data_process.mat进行FFT变换操作，并将处理后的数据保存在FFT.mat文件中。

“残差收缩网络.py”即为所提模型。

以下为实验结果（CPU跑的）：

诊断奋斗者
关注
  • 2
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
ic读卡器设置工具_射频集成电路设计中所用到的设计工具和测试设备介绍
weixin_32673065的博客
12-25 542
射频集成电路设计中所用到的设计工具毫米波电路通常使用无源器件，这可能是波长的很大一部分, 因此在这些器件中传播的波具有相关的电场和磁场，这些电场和磁场决定了器件的终端负载特性以及对附近部件和元件的耦合效应。 这些特性必须量化，以实现设备建模、布局评估或新的结构设计。 为了获得场分布和相关的散射参数，有必要计算复杂电磁方程的解。 然而，随着仿真软件的使用，这一任务已经大大简化。 目前大部分工程师都能...
西储大学轴承故障分析matlab代码
10-16
西储大学轴承故障分析MATLAB代码是一个用于诊断和分析机械设备，特别是轴承状态的工具。MATLAB是一种强大的编程环境，常用于工程和科学计算，而在这个案例中，它被用来处理和解析轴承的故障数据。 故障分析是机械...
Multi-Scale-1D-ResNet:多尺度一维Resnet的pytorch代码，希望对您的研究有所帮助
05-02
多尺度一维ResNet 这是我们的变型，但它是一种超轻加权分类网络用于与1D卷积操作，其中1D与时间轴沿内核扫描时间串行数据。 多刻度设置受Inception启发，我们发现它很有用。 经过测试的环境 python 3.6 火炬0.4.1 CUDA 8.0 / 9.0 Windows7 / Ubuntu 16.04
使用一维Rest-net卷积神经网络对轴承进行故障诊断
qq_45714906的博客
12-26 5487
据了解rest-net从图像分类大赛上表现优异，那么将rest-net进行降维用于一维数据分类会有怎样表现？ 先观察一下Rest-net的结构：由于每个截图有限，所以使用多个图片表现出????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????
(改进)滚动轴承故障诊断实例代码CNN-ResNets，随机森林 软件pycharm
最新发布
pitepa的博客
05-27 390
残差网络是一种先进的深度神经网络架构，其拥有超越浅层神经网络的强大非线性映射能力，能够深入捕获多层次的数据特征。然而，随着网络深度的增加，可能会出现梯度消失问题，进而引发过拟合现象。残差网络能够很好的解决这个问题，并同时保持深度网络的优势特性。其核心在于在深度网络内部嵌入了残差模块（Residual Building Block, RBB），如图1所示的残差块结构。这一设计通过引入直接连通深层与浅层的捷径路径，有效解决了深度学习中的梯度消失问题，从而提升了模型的学习能力和泛化性能。
《Deep residual shrinkage networks for fault diagnosis》 基于深度残差收缩网络的故障诊断（翻译与python代码）
Aior100
07-31 3806
基于深度残差收缩网络的故障诊断（翻译） 赵明航，钟诗胜，付旭云，汤宝平，Michael Pecht 论文连接：https://ieeexplore.ieee.org/document/8850096 python代码：https://github.com/zhao62/Deep-Residual-Shrinkage-Networks 引用格式： M. Zhao, S. Zhong, X. Fu, B. Tang, M. Pecht, Deep residual shrinkage networks for
【论文笔记】一文读懂残差网络ResNet（附代码）
Ace2NoU的博客
01-18 3801
残差网络原理详解、梯度分析、代码展示和各模块分析改进
故障检测代码（.generate文件）
weixin_43939514的博客
04-30 1132
.generate文件 # import os 装载 os模块 import torch 引入一个torch包 import torchvision torchvision包是服务于pytorch深度学习框架的，用来生成图片，视频数据集，和一些流行的模型类和预训练模型 import torchvision.transforms as transforms 图像预处理包，包含了很多种对图像数据进行变换的函数 import matplotlib.pyplot as plt 图像可视化 impor.
江南大学轴承数据故障诊断（利用连续小波变换转换为二维图像，再利用CNN进行故障诊断）
qq_40840797的博客
07-19 2342
以1024的长度分割原始信号，每个类别下生成480个样本，这里为了程序更快运行，选取了每个类别的125个样本，4种类别下一共有500个样本。因为本人电脑本身配置比较低，当在一个类别下连续生成480张二维图像时，电脑会出现卡顿，所以只选取了每个类别下的125张图像，如果图像更多，准确率更高。以600转速为例，打开以后是图片文件夹，生成的图像保存在里面，CNN是CNN诊断模型，JNU是利用小波变换生成图片的程序。采样频率：50khz，采样时间：10s。测试集准确率为：80.26%测试集准确率为：89.65%
基于卷积神经网络的轴承故障诊断算法模型研究代码
03-21
在本项目中，“基于卷积神经网络的轴承故障诊断算法模型研究代码”着重探讨了如何利用CNN对机械设备，特别是轴承的故障进行有效的检测和诊断。 在轴承故障诊断中，传统的信号处理方法如傅立叶变换、小波分析等，...
基于小波变换和残差神经网络模型的轴承故障诊断.pdf
09-25
"基于小波变换和残差神经网络模型的轴承故障诊断.pdf" 本文研究了基于小波变换和残差神经网络模型的轴承故障诊断方法。该方法首先使用小波变换将一维轴承数据转化为二维时频图，以消除手工特征的影响。然后，使用...
深度残差网络智能轴承故障诊断（pytor深度残差故障网络故障诊断）.zip
05-23
在本项目“深度残差网络智能轴承故障诊断（pytorch深度残差故障网络故障诊断）”中，ResNet 结构被应用于智能设备故障诊断，特别是针对轴承的故障检测。 首先，让我们深入理解ResNet的工作原理。传统的深度网络在...
基于深度残差网络的采煤机摇臂齿轮故障诊断-论文
07-08
针对传统的采煤机摇臂齿轮故障诊断方法不能自主提取特征，导致齿轮故障诊断精度和效率不佳等问题，构建了基于深度残差网络（ResNet）的采煤机摇臂齿轮故障诊断模型。通过预激活残差单元模块降低模型的复杂度，使模型...
2021-03-22-TensorFlow故障诊断代码-一维信号转二维灰度图
qinqin_xi的博客
03-22 2247
Lii微信推文3.22代码故障诊断代码 故障诊断代码 这个代码是比较简单的卷积神经网络. import os, glob import random, csv from matplotlib import pyplot as plt import numpy as np from tensorflow import keras from tensorflow.keras import layers,optimizers, losses from PIL import Image from tensorflo
基于pytorch故障诊断深度学习中的小utils（新手版自用）
liu285783的博客
08-28 227
1.metrics 指标函数。
Pytorch-LSTM轴承故障一维信号分类(一)
小蜗爱建模的博客
12-11 3197
Pytorch实现LSTM模型对故障数据的分类
故障检测代码（109cnn文件）
weixin_43939514的博客
04-30 948
.109cnn import os import torch import torchvision import torchvision.transforms as transforms import matplotlib.pyplot as plt import numpy as np import sys import torch.nn as nn import torch.nn.functional as F import torch.optim as optim from PIL import
【深度学习】ResNet网络详解
热门推荐
1900的博客
10-16 2万+
ResNet
006基于小波变换和改进ResNet的噪声环境下滚动轴承故障智能诊断Intelligent fault diagnosis of rolling bearing based on wavelet tr
XZHBUT的博客
09-15 1310
滚动轴承作为一种重要的机械部件，广泛应用于各种工程设备中，其健康状况对工程设备的安全性和稳定性有着相当重要的影响（Jin et al，2022；李等人，2020）。RB一旦失效，很容易引发灾难性后果（钱等，2022；程等，2021）。由于RB的振动传递路径复杂，RB的故障难以准确诊断（Wei et al.，2020）。为了确保工程设备的运行稳定性和系统安全，对先进的滚动轴承故障诊断方法提出了更高的要求（Schwendemann et al.，2021）。（1）总结文献可以发现轴承的故障诊断分为四类。
基于改进W-DCGAN-ResNet滚动轴承诊断方法.docx
11-01
DCGAN的提出为故障诊断的进一步研究提供了新的思路和方法。尽管最初版本的DCGAN采用了基于JS散度的方法以衡量生成的样本与其初始样例之间的相似性和差距，然而其缺点在于当对模型进行了优化后可能会导致产生器的梯度衰减或波动过大等问题。为了克服这些挑战并提升神经网路的学习过程中的稳健性能，可以选择用具有更好光滑特性的欧几里得空间距 (也被称为 Wasserman 或者 EM 距离 )替代 JS 散度作为测量新旧两组资料间差别的指标从而增强了学习过程中产生的稳定的输出结果的可能性。提出了一种基于W-DCGAN-Resnet的滚动轴承故障诊断方法。该方法搭建了一种基于传统Resnet的改进模型DCGAN-Resnet。首先，模型通过把残差块中的bn层和relu激活层放到卷积层前面，增强了对残差块特性的获取能力。同时，在深度残差网络中引入卷积注意机制也进一步加强了模型的特征提取效果。然后利用上章搭建的W-DCGAN对两个滚动轴承数据集进行有效扩充构建新的数据集，最后对方法的有效性进行验证，实验结果表明，本章所提W-DCGAN-Resnet方法可以在小样本故障数据条件下，对多类别故障诊断具有更高

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
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