保姆级教程之S变换-CNN，ResNet，CNN-SVM，凯斯西储大学和江南大学轴承故障诊断，MATLAB代码

作品简介

前几期推出了两个关于时频变换结合机器学习故障诊断的文章，如下：

本期再推出一个：基于S变换-CNN，ResNet，CNN-SVM，CNN-LSTM的轴承诊断方法，同样使用凯斯西储大学和江南大学两大数据集进行验证。

内容简介

针对传统方法在机械故障诊断时存在特征提取困难、分类器训练复杂等问题，提出一种基于S变换和卷积神经网络(CNN)的滚动轴承故障诊断方法。

首先，将轴承的原始数据经过S变换得到时频图，再通过CNN/ResNet/CNN-SVM/CNN-LSTM/CNN-BiGRU对故障进行分类。

关于S变换

S变换改善了短时傅里叶变换和连续小波变换的缺点并继承了两者的优点，采用高斯窗函数（窗宽与频率成反比)避免了窗函数选择和窗宽固定的不足，其时频表示中各频率分量的相位谱与原始信号有直接联系，可适用于非平稳信号的处理。

采用S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：

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

流程如下

①对凯斯西储大学和江南大学轴承数据进行处理。

②通过S变换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。

创作时间：