● 数据集:经测试,模型在CWRU西储大学轴承数据集 和 哈工大航天发动机轴承数据集上表现分类准确率 均为99%!
● 环境框架:python 3.9 pytorch 1.8 及其以上版本均可运行
● 准确率:测试集99%
● 使用对象:论文需求、毕业设计需求者
● 代码保证:代码注释详细、即拿即可跑通。
创新点:
分支一:轴承故障时序信号作为CNN模块输入,通过一系列的1D卷积层和池化层操作,实现对信号数据的时域和局部特征提取;
分之二:轴承故障信号先通过堆叠为2维矩阵,然后是利用通过2D的ResNet卷积层和残差块对数据进行全局特征提取;
并行融合:将1D CNN模块和2D ResNet模块的输出进行并行融合,以获得融合了时域和频域信息的特征表示。这些特征表示经过全连接层进行分类,最终得到故障诊断的结果。通过1D CNN和2D ResNet的并行处理,该模型能够综合利用时域和频域信息,从而提高故障诊断的准确性和鲁棒性,充分挖掘数据之间的关联性,提高了故障诊断的性能。
前言
本文基于凯斯西储大学(CWRU)轴承数据,先经过数据预处理进行数据集的制作和加载,最后通过Pytorch实现 1DCNN-2DResNet并行模型 对故障数据的分类。 凯斯西储大学轴承数据的详细介绍可以参考下文:
Python-凯斯西储大学(CWRU)轴承数据解读与分类处理
1 轴承故障数据的预处理
1.1 导入数据
参考之前的文章,进行故障10分类的预处理, 凯斯西储大学轴承数据 10分类数据集:
train_set、val_set、test_set 均为按照7:2:1划分训练集、验证集、测试集,最后保存数据
上图是数据的读取形式以及预处理思路
1.2 数据预处理,制作数据集
2 基于Pytorch的1DCNN-2DResNet的轴承故障诊断
2.1 定义1DCNN-2DResNet分类网络模型
2.2 设置参数,训练模型
50个epoch,准确率100%,用1DCNN-2DResNet并行网络分类效果显著 , 模型能够充分提取轴承故障信号的全局空间和局部特征,收敛速度快,性能优越, 精度高,效果明显 !
2.3 模型评估
准确率、精确率、召回率、F1 Score
故障十分类混淆矩阵:
往期精彩内容:
Python-凯斯西储大学(CWRU)轴承数据解读与分类处理
Pytorch-Transformer轴承故障一维信号分类(三)
Python轴承故障诊断 (四)基于EMD-CNN的故障分类
Python轴承故障诊断 (五)基于EMD-LSTM的故障分类
Python轴承故障诊断 (六)基于EMD-Transformer的故障分类
Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类
Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类
基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型
基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型
Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类
Python轴承故障诊断 (十)基于VMD+CNN-Transfromer的故障分类
Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类
交叉注意力融合时域、频域特征的FFT + CNN -BiLSTM-CrossAttention轴承故障识别模型
交叉注意力融合时域、频域特征的FFT + CNN-Transformer-CrossAttention轴承故障识别模型
Python轴承故障诊断 (13)基于故障信号特征提取的超强机器学习识别模型
Python轴承故障诊断 (15)基于CNN-Transformer的一维故障信号识别模型
Python轴承故障诊断 (18)基于CNN-TCN-Attention的创新诊断模型
基于 GADF+Swin-CNN-GAM 的高创新轴承故障诊断模型
Python轴承故障诊断 (19)基于Transformer-BiLSTM的创新诊断模型
END
1. 版权声明:原创不易,转载请注明转自微信公众号[建模先锋]
2. 喜欢的朋友可以点个关注,给文章点个“在看”,分享朋友圈或讨论群
3. 关注微信公众[建模先锋], 回复”轴承故障“免费获取凯斯西储大学轴承数据集