江南大学轴承数据诊断---保姆级教程之连续小波变换-CNN，ResNet，CNN-SVM，MATLAB代码...

本期文章与上一期保姆级教程之连续小波变换-CNN，ResNet，CNN-SVM，CNN-BiGRU，CNN-LSTM的故障诊断，MATLAB代码方法一致，只是将上一期的凯斯西储大学轴承数据替换为江南大学轴承数据。

与上期文章一样，同样采用连续小波变换时频图作为故障特征提取的手段，并构建多种机器学习诊断方法，可以自行搭配。包含的有：

CWT-CNN，CNN-SVM，CWT-ResNet，CWT-CNNBiGRU，CWT-CNNLSTM。

内容简介

①对江南大学轴承数据进行处理。

②通过连续小波变换 （Continuous Wavelet Transform，CWT）将轴承 数据集转换为时频图，以提取频域和时域信息， 并为后续的故障诊断提供更详细的特征；

③为了方便模型的训练，以及考虑到计算机的内存，将时频图重新调整为64×64×3的尺寸，并保存提取到的特征数据。

④分别搭建：CNN，ResNet，CNNBiGRU，CNNLSTM，CNNSVM模型，将特征数据送入模型，将70%的数据作为训练集，30%作为测试集，对模型展开训练与测试。

内容详解

一，对官方下载的西储大学数据进行处理，步骤如下：

1. 一共加载4种数据，本文以1000rpm为例，分别取正常、内圈、外圈、和滚动体四种状态的数据；

2. 2.设置滑动窗口w，每个数据的故障样本点个数s，每个故障类型的样本量m；

3. 将所有的数据滑窗完毕之后，综合到一个data变量中

4. 最后得到的数据是一个400*2048的矩阵，其中400是样本量，2048是特征。400又等于100*4，4是指4种故障状态，100是指每种状态有100个样本。在代码中是data_total.mat

二，采用连续小波变换将数据进行时频图转换

连续小波变换时频图，本文以1000rpm为例进行展示。

三，将构建好的特征向量送入不同模型进行训练与测试

将每种状态的前70组用于训练，后30组用于测试。得到的结果如下：

以下均为1000rpm的四种状态数据分类结果：

ResNet结构：

添加了T-sne降维前后分布图：

按照程序步骤一步步执行即可，说明.txt对程序的执行步骤进行了说明。

以上所有图片均可运行出来。

代码目录

分为西储大学数据和江南大学数据

代码获取

已将将本期代码与上一期合并到一起！已购买的小伙伴直接重新下载即可！

链接：https://mbd.pub/o/bread/ZZyZmJpy

已将此代码添加至故障诊断全家桶中，

已购买全家桶的小伙伴，可以直接跳转以下链接下载哦！

故障诊断全家桶获取链接：

https://mbd.pub/o/bread/ZJ2Ym5ts

参考文献：

[1]宋乾坤,周孟然.基于CWT-CNN的滚动轴承故障诊断[J].重庆工商大学学报(自然科学版),2023,40(03):42-47.

[2]卓识,战利伟,白晓峰等.基于CWT-AT-CNN的航空滚动轴承故障诊断方法[J/OL].轴承,1-9[2024-03-17].