强噪声下基于mscnn-bigru-attention深度学习模型CWRU(凯斯西储大学)轴承故障诊断（Python代码，tensorflow框架，很容易替换模型和数据集，同时带诊断界面）

本文链接：https://blog.youkuaiyun.com/2301_79699110/article/details/143484453

1.效果视频（以0HP数据集为例，在-30DB下的测试准确率效果）强噪声下基于mscnn-bigru-attention深度学习模型CWRU(凯斯西储大学)轴承故障诊断_哔哩哔哩_bilibili

对原始信号分别添加不同强度的高斯白噪声，以模拟实验数据遇到的实际环境中干扰噪声。

原始信号（以0HP数据为例进行展示，可以明显看出十类原始信号非常纯净，有明显的冲击周期）

添加不同高斯白噪声图（CWRU数据集0hp负载下，内圈故障(IR07)的振动信号加入不同分贝噪声后变化情况）

添加高斯白噪声代码

高斯白噪声定义函数
def add_noise(x, snr):
        """输入原信号，信噪比，输出，加入高斯白噪声的信号
        :param x: 原信号
        :param snr: 信噪比
        :return: 加入高斯白噪声的信号
        """
        P_signal = np.sum(abs(x) ** 2) / len(x)
        P_noise = P_signal / 10 ** (snr / 10.0)
        return x + np.random.randn(len(x)) * np.sqrt(P_noise)

每种负载下均进行了抗噪实验实验结果

2.数据集介绍

2.1.西储大学滚动轴承数据集介绍

西储大学滚动轴承振动信号的实验数据源自美国凯斯西储大学（Case Western Reserve University，CWRU）电气工程实验室，其提供的数据集已经成为轴承故障诊断领域的标准参考之一，并已广泛应用于各类过程控制与故障诊断实验。试验台包括电机、加速度传感器、转矩传感器、编码耦合器和负载构成。在实验中，滚动轴承振动信号数据以多变量振动序列形式存在，并由数据记录仪在采样频率为12kHz和48kHz的环境下收集。根据转速与负载的不同，可以得到4个工况下的滚动轴承数据集，如表1所示。