本程序为MATLAB代码
若下列部分图片不显示，可以看gzh：淘个代码。搜索文章标题即可！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
本次为大家带来：
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对官方下载的西储大学数据进行处理。处理的方法参考往期文章：西储大学轴承诊断数据处理，matlab免费代码获取；
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。
CWT-CNN模型结构如下：
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10种数据，然后取每个数据的DE_time（%DE是驱动端数据 FE是风扇端数据 BA是加速度数据 选择其中一个就行）
- 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
- 有关西储大学数据的处理之前有文章也讲过，大家可以看这篇文章：西储大学轴承诊断数据处理，matlab免费代码获取
- 最后得到的数据是一个1000*2048的矩阵，其中1000是样本量，2048是特征。1000又等于100*10，10是指10种故障状态，100是指每种状态有100个样本。在代码中是data_total_1797.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：
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：
ResNet结构：
添加了T-sne降维前后分布图：
所有代码目录截图：
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。
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
