基于胶囊网络的轴承故障诊断（代码实现）

1 简介

胶囊网络（CapsNet）由 Hinton 于2017年10月在《Dynamic Routing Between Capsules》中提出，目的在于解决 CNN 只能提取特征，而不能提取特征的状态、方向、位置等信息，导致模型的泛化（举一反三）能力较差。

而胶囊神经网络构建一组神经元，从而进一步挖掘了原始数据的信息，从而凭借着远低于卷积神经的所需的样本数目、较好的泛化性的优点，被众多学者研究。

部分内容引用来源基于keras的胶囊网络（CapsNet）_little_fat_sheep的博客-优快云博客_capsnet

2 基本原理

本人肯定只能讲基本原理，建议看看这位大神的理解思路。

揭开迷雾，来一顿美味的Capsule盛宴 - 科学空间|Scientific Spaces

3 实验

3.1实验数据

数据集：凯斯西储大学（CWRU）滚动轴承数据中心

采用美国凯斯西储大学(CWRU) 的开放轴承数据库的样本进行实验分析，轴承故障产生的实验台如下图所示。使用电火花加工技术分别在轴承的内圈、外圈和滚动体上引入单点缺陷，故障尺寸分别为 7、14和21英尺，以48kHz采样频率采集不同负载下的故障轴承振动数据用于实验分析。

如下图，为CWRU 滚动轴承数据采集系统：

3.2数据集划分

本文实验样本选取1HP下10种故障状态振动信号，经过傅里叶变换后构建数据集，每类样本长度为1024，其中具体实验样本信息如下表所示。另外每种轴承状态随机选择50%的样本用于模型训练和25%的样本用于模型的验证，25%的样本用于模型测试。

 

 3.2 实验代码

实验环境(基于Tensorflow2.2 进行操作，win10)

3.2.1网络结构

简单的两层卷积加胶囊层的胶囊神经网络。

 3.2.2 训练精度

 3.2.3 loss

 3.3评估预测结果

3.3.1代码

predict = model.evaluate(x_test, y_test, batch_size=4, verbose=1)

3.3.2精度

效果还不错

3.4混淆矩阵

 3.5T-SNE可视化