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:
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.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;
将所有的数据滑窗完毕之后,综合到一个data变量中
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].