用CNN判断机械轴承的故障数据

自己做的一个简单的深度学习在故障诊断上的应用

数据集来源：美国凯斯西储大学实验室的轴承数据http://csegroups.case.edu/bearingdatacenter/pages/12k-drive-end-bearing-fault-data

仿真所用数据节选自部分轴承数据：1797rpm转速下的正常振动数据和滚动体、内圈、外圈故障在三种故障等级下的振动数据，总共9种故障+1种正常

 

样本设置：轴承转一圈采样400个点((60/1797)*12000)，从每一个故障时间序列数据选择120000个采样点，以400点为一个样本，每一个故障数据可构成300个样本，正常数据也为300个，总共300*10=3000个样本，按9：1的比例训练集为2700个样本，测试集为300个样本

数据处理：最大最小归一化，将一个样本400个采样点由向量形式转化为20*20矩阵形式，以行方式构成，一行一行组成矩阵

CNN结构及参数：DATA -> CONV2D -> RELU -> MAXPOOL -> CONV2D -> RELU -> MAXPOOL -> FLATTEN -> FULLYCONNECTED

其他参数设置：学习率--0.009，迭代次数--160，minibatch_size--30

仿真结果：

Cost曲线：

准确率：