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...

小波变换+CNN完美融合,准确率飙升!最新研究荣登CV顶会! 实验结果表明,与常规CNN相比,小波CNN在纹理分类和图像注释任务中能够实现更好的准确性,同时具有更少的参数,这使得模型更容易训练,更不容易过拟合,并且消耗的内存更少。在2017年PhysioNet/CINC挑战提供的ECG数据集上,该方法获得了87.1%的准确率和86.46%的F1分数,显示出比现有分类方法更高的准确性和泛化能力。该方法达到了平均99.40%的准确率,98.78%的精确度,98.78%的召回率和98.74%的F1分数,显示出优于现有模型的性能。 阅读详情
AI摘要

本文介绍了使用连续小波变换提取滚动轴承故障特征,并构建了CWT-CNN、CNN-SVM、CWT-ResNet等机器学习模型进行诊断。作者详细描述了数据预处理过程,包括西储大学轴承数据处理和时频图转换,以及模型训练和测试结果。

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:

b4cbb9345ce13dde951d20b20e76210b.png

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:

  1. 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. 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

  3. 将所有的数据滑窗完毕之后,综合到一个data变量中

  4. 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:

dfc3a29a6b0595971a85e243993122ad.png

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:

1cb39848e6bc48fe165970cd3cda2678.png

73bedda2b4aa68f7f315696699ae792f.png

e08ddee89d5f1cfb8203be8c7b4fa737.png

803c2d84f2788123432d9325bfb4397c.png

ResNet结构:

1a959c0a1fcdbc2598d38944d2fcf57c.jpeg

ff31586d4f0ef232a6cf54b95e78764c.png

721501c9c19d2ba5a4a21bbe3b6f91c3.png

添加了T-sne降维前后分布图:

fee1437974100dab1393e21b7e930a86.png

585b585e7703dad81cc5ddc1b967e693.png

所有代码目录截图:

ba926c3568e3a2281f77a682ad40af08.jpeg

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。

代码获取

链接:https://mbd.pub/o/bread/ZZyZmJpy

a23c7b76001c526e357a5cab04768972.png

已将此代码添加至故障诊断全家桶中,

已购买全家桶的小伙伴,可以直接跳转以下链接下载哦!

故障诊断全家桶获取链接:

https://mbd.pub/o/bread/ZJ2Ym5ts

16cc613b9331c12bdc19c468dbada050.png

参考文献:

[1]宋乾坤,周孟然.基于CWT-CNN的滚动轴承故障诊断[J].重庆工商大学学报(自然科学版),2023,40(03):42-47.

[2]卓识,战利伟,白晓峰等.基于CWT-AT-CNN的航空滚动轴承故障诊断方法[J/OL].轴承,1-9[2024-03-17].

小波变换+CNN,如此逆天 准确率直逼100%! 小波变换,作为非平稳信号处理的得力工具,凭借时频局部化与多分辨率分析特性,打破傅里叶变换全局频域局限,能精准提取信号特征。卷积神经网络(CNN)则在计算机视觉领域大放异彩,其层次化特征提取和端到端学习能力备受瞩目。当下,研究者把目光投向的深度融合。通过构建基于小波基函数的可学习卷积核,成功将数学理论与深度学习框架结合。。它为建立具物理意义的深度学习模型开拓新径,在高频细节保留、边缘特征增强等任务中独具价值,为新一代可解释性人工智能系统筑牢理论根基。,~也欢迎分享给身边的朋友! 阅读详情

相关推荐

基于小波时频图和2D-CNN的滚动轴承故障检测

轴承故障诊断 附python和matlab代码

suyu87098的博客 7135

准确率飙升!小波变换+CNN完美融合,最新研究荣登CV顶会!

小波变换+CNN为图像处理和计算机视觉任务提供了一种新的、高效的解决方案,能够在保持参数效率的同时提高模型的性能和鲁棒性。通过将信号分解为不同尺度或频率的多个分量,每个分量包含特定尺度或频率范围内的特征信息,从而更好地理解和分析信号的局部结构和动态属性。通过考虑训练样本中所有可能的错误标记位置的损失,而不仅仅是正确标记位置的损失,减少了模型过拟合的风险,并提高了模型的泛化能力。模型不仅学习当前帧与过去帧的信息,还学习与未来帧的信息,增强了对事件顺序的理解。

AIzhijie001的博客 2439

Deepseek+Word插件:一键搞定论文翻译与润色的学术写作新革命

本文介绍了Deepseek Word插件如何革新学术写作流程,实现论文翻译与润色的一键操作。该插件深度集成于Word环境,能智能完成中英互译、语法修正、术语统一及逻辑优化,显著提升写作效率与文本质量,是研究者的高效AI助手。

weixin_29252171的博客 520

智能故障诊断方法总结

1.故障诊断方法可分为三个步骤:信号处理、特征提取、模式分类。 2.信号处理方法通常包括:时域处理(提取振动信号的相关指标);频域处理(包络谱分析,频谱分析);时频域分析(小波分析,傅里叶变换) 3.故障诊断方法:专家系统故障诊断法,模糊故障诊断、灰色关联度故障诊断、神经网络故障诊断、数据融合故障诊断。 ...

qq_40840797的博客 1万+

使用moveit!控制真实机械臂(5)——编写真实机械臂节点中的action服务程序

上一篇文章中,我们简要介绍了ROS中action的基本知识,为了控制真实机械臂,我们已经修改了moveit配置文件,使得moveti启动后具备一个control_msgs::FollowJointTrajectoryAction类型的action客户端,接下来,我们完成该类型action的另一半,编写C++程序来实现action的服务端。由于底层机器人控制程序一般差别都很大,这里展示的只是编程要点...

爱学习的草莓熊 1万+

BCIC IV 2a数据集:从下载到实战应用全解析

本文全面解析了BCI Competition IV 2a(BCIC IV 2a)数据集的应用流程。从官方渠道下载数据、解析其结构,到在MATLAB和Python环境中进行数据导入、预处理(包括处理特殊受试者A04T),并详细演示了从特征提取(如CSP)到分类(如LDA、SVM)的完整实战步骤,为脑机接口研究者提供了从入门到实践的清晰指南。

weixin_28235513的博客 975

【创新未发表】【故障诊断】基于连续小波变换-CNN, ResNet, CNN-SVM, CNN-BiGRU, CNN-LSTM的故障诊断研究【凯斯西储大学数据】(Matlab代码实现)

CWRU数据集是轴承故障诊断领域的基准数据,包含内圈、外圈、滚动体故障及正常工况数据,采样频率为12 kHz和48 kHz,故障直径分为0.007/0.014/0.021英寸,负载覆盖0-3 HP。数据集通过加速度计采集振动信号,信噪比高,但存在分类过细、不同采样频率数据分布差异等问题。信号转换:采用连续小波变换(CWT)生成时频图,或快速傅里叶变换(FFT)提取频域特征。数据分割:将原始信号切分为1024点的样本,采用重叠采样(如50%重叠率)增强数据量。归一化与标准化。

weixin_46039719的博客 756

Vue3实战:集成bpmn-js与Activiti工作流引擎的完整指南

本文详细介绍了如何在Vue3项目中集成bpmn-js流程图编辑器与Activiti工作流引擎,构建一个完整的前端流程设计器。文章重点解析了Vue3响应式系统与bpmn-js集成的核心陷阱及解决方案,并提供了属性面板配置、XML命名空间适配、撤销重做等实用功能的完整实现指南,帮助开发者高效完成工作流系统的前端开发。

weixin_29009881的博客 214
上一篇: 高斯变异黑寡妇算法,MATLAB代码免费获取
下一篇: 一种改进智能算法新策略:联合对立选择算子
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

淘个代码_

不想刀我的可以选择爱我

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值