轴承故障检测(分类任务)+傅里叶变化+CNN+matlab

1 介绍

使用西储大学的轴承数据集,其实用哪个都行,可能最后的精度会不一样,先读取数据,然后使用傅里叶转换为图像,然后搭建cnn模型,将图像大小转换为模型使用的大小,例如resnet50,输入大小就是224*224。同样提供python版本。

2 数据处理

总共10个类别
在这里插入图片描述
对每个数据进行采样,设置2000个样本,每个样本取连续的300个点

% 采样,每个数据采集N条样本,每条样本M长度
M = 2000;
N = 300;
image_index = 1;
sample_all_data = zeros(3, N, M);
for i = 1:10
    sample_class_data = zeros(N, M);
    data = all_data{i};
    % 数据采样
    random_sequence = randperm(length(data) - M);
    selected_numbers = random_sequence(1:N);

    % 对于每个采样的数据,使用fft变换
    for j = 1:N
        start_index = selected_numbers(j);
        sample_data = data(start_index: start_index+M-1);
        sample_class_data(j,:) = sample_data;
        file_path = "images\" +num2str(i) +"\"+ num2str(image_index)+".jpg";
        % 进行fft变换
        process_data(sample_data, file_path)
        image_index = image_index + 1;
    end
    sample_all_data(i,:,:) = sample_class_data;
end

3 fft变换

使用matlab中的变换,转换为频谱图,然后保存,结果如下所示

[S, f, t] = spectrogram(sample_data);

在这里插入图片描述

4 cnn模型

搭建一个普通的模型就行,因为这个数据集识别准确率特别高,最后都能到100%

% 设置图像文件夹路径
data_folder = 'images';

% 创建图像数据存储器
imds = imageDatastore(data_folder, ...
    'IncludeSubfolders', true, 'LabelSource', 'foldernames');
[train_imds, test_imds] = splitEachLabel(imds, 0.7, 'randomized');


% 构建 CNN 模型
layers = [
    imageInputLayer([224 224 3])
    convolution2dLayer(3, 16, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(3, 32, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(3, 64, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer
];
详情加Q 596520206 同样提供python版本
  • 10
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

王小葱鸭

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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