八篇保姆级故障诊断教程,学会这几篇你的故障诊断就算入门了!

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

本文介绍了一种使用连续小波变换(CWT)提取特征,并结合多种机器学习模型进行轴承故障诊断的方法。包括CWT-CNN、CNN-SVM、CWT-ResNet等模型的应用与实现。

今天水一期,总结一下以前写过的几篇保姆级故障诊断。学会这几篇,机器学习的故障诊断你就基本合格了!

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:

617816e919f9c58c810979d674a2fa5f.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:

26a5cc64d5a3d6859326ea1481f78597.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:

e3b7d38fb54e00b7fe3d3d58ed89dd3e.png

8df8c70f8ec2b5226b4a03c0c5ba5031.png

05ccc1a8d0791230f222ce86dbe30547.png

248c7edb42c8084e6465885f5b093fa9.png

ResNet结构:

eb90669019b90a8499eabff712ba1e44.jpeg

618f957a7e88270a7a42d039c119dab3.png

81937483d7e074d6be777d4923eee08e.png

添加了T-sne降维前后分布图:

f179bdda7a677eb6a980f5080f950156.png

90468649ad8294c5b165f656361e5cce.png

所有代码目录截图:

c56b74e8936af990ee7af4d4ed521217.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

点击下方卡片关注,获取更多代码

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

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...

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 T...

淘个代码 2436

【MATLAB】小波_LSTM神经网络时序预测算法

小波-LSTM神经网络时序预测算法是一种结合了小波变换和长短期记忆神经网络(LSTM)的时间序列预测方法。小波变换是一种信号处理方法,能够将信号分解为不同频率和尺度的分量,并对每个分量进行时频分析。通过小波变换,可以将时间序列数据转化为小波系数,这些系数可以更好地表示时间序列中的复杂模式和趋势。LSTM是一种深度学习中的流行方法,尤其在处理长时间序列相关问题上具有独特优势。LSTM的内部结构由遗忘门、输入门、输出门和存储单元组成,通过这些门控单元的相互作用,LSTM能够学习到时间序列中的长期依赖关系。

Lwcah的博客 1778

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

地磁场仿真与导航方案设计

地磁场仿真与导航方案设计 地磁场作为地球的固有资源,为航空、航天、航海提供了天然的坐标,可应用于航天器、航空飞行器和舰船等载体的定位、定向及姿态控制。本文依据地磁场的球谐模型,利用Matlab工具,设计了计算任意地点地磁场的程序,对仿真结果与实际数据进行对比分析;并选定一组卫星的数据,结合卫星的运动轨道,描绘90分钟内卫星处地磁总强度/矢量随轨道变化曲线,据此设计一种卫星地磁导航方案。 一、地磁场计算原理 1.1.球谐模型与球谐系数 地磁学的基本问题之一就是用数学表达式将地磁要素的地面分布表示成地理坐标的函

PRQKKK的博客 7411

Visual MODFLOW Flex 6.1新手入门:从数据导入到3D建模的完整工作流解析

本文为Visual MODFLOW Flex 6.1新手提供了从零开始构建地下水数值模型的完整工作流指南。详细解析了从项目规划、数据准备与导入,到构建三维概念模型、生成并运行数值模型,直至结果可视化与校准的核心步骤。帮助水文地质与环工领域初学者快速掌握这一专业软件,高效完成从数据到三维建模的全过程。

a1b2c的博客 816

多引擎协同的生产级多智能体系统搭建指南

多智能体系统(Multi-Agent System)是当前AI工程落地的核心范式,其本质是多个专业化Agent在统一调度下协同完成复杂任务。实现稳定高效的协同,关键在于计算、数据、调度与通信四大引擎的深度耦合设计,而非简单API调用或框架堆叠。技术价值体现在资源隔离、状态一致性、任务契约化与低延迟消息同步,广泛应用于政务知识协同、工业故障诊断、电网应急响应等高可靠性场景。本文聚焦真实产线验证的多引擎协同架构,详解NVIDIA MIG物理隔离、Weaviate+SQLite双层数据引擎、RabbitMQ+Re

weixin_32576389的博客 211

后台扫描工具 - 御剑(珍藏版)附下载

版本说明:御剑后台扫描珍藏版 下载地址:安装包放下方网盘里了 链接:https://pan.baidu.com/s/1Bn7GtWb7AStcjzVahFOjSQ 提取码:zkaq 使用环境:windows 标题工具说明: 御剑后台扫描珍藏版是T00LS大牛的作品,方便查找用户后台登陆地址,同时也为程序开发人员增加了难度,尽量独特的后台目录结构。 附带很强大的字典,字典我们也是可以自己修改的,继续增加规则。 一、御剑后台扫描工具简介: 1、扫描线程自定义:用户可根据自身电脑的配置来设置调节扫描线程 2、

hackzkaq的博客 4万+

AI Agent开发实战:LangChain、LangGraph、RAG与MCP四层协同落地指南

AI Agent并非单一技术,而是由基础能力封装(LangChain)、工作流编排(LangGraph)、知识增强供给(RAG)和系统能力契约(MCP)构成的分层工程体系。其核心原理在于将大模型调用、状态管理、外部知识融合与异构服务集成解耦为可验证、可调试、可演进的四个技术层级。LangChain提供标准化Runnable接口实现模型与工具的即插即用;LangGraph通过Pydantic State与DAG图实现带状态的条件分支与循环控制;RAG通过多路召回(向量+关键词+时间+实体)与重排序抑制幻觉,保

weixin_29061821的博客 203

Apache Flink集成HDFS报错Failed to create checkpoint storage at checkpoint coordinator side.

在网上查询相关资料后,在flink的lib目录添加flink-shaded-hadoop-3-3.1.1.7.0.3.0-79-7.0.jar、commons-cli-1.5.0.jar两个包,但报错依旧存在,添加了export HADOOP_CLASSPATH=后面发现是hadoop与flink的兼容性问题,hadoop原先使用的是3.3.4,与多个版本的flink集成都会出现报错,最后将Hadoop的版本改成3.1.3,使用flink run运行jar包就没有这个错误了,在hdfs上成功保存了检查点。

zywenmag的博客 625

Linux基础——“C语言高级编程” C语言中的细节你真的知道吗?

文章目录GCC简介 GCC简介 gcc 所支持后缀名解释 .c c原始程序 .C / .cc /.cxx C++原始程

weixin_44278698的博客 2513

AI Agent开发实战地图:LangChain、LangGraph、RAG与MCP五层能力栈

AI Agent并非高级聊天机器人,而是具备目标分解、工具调用与状态演进能力的自主软件实体。其工程落地依赖分层技术体系:LangChain提供LLM应用基础设施与单步工具链,LangGraph以图+State范式支撑多步骤、可中断、可审计的业务流程;RAG作为知识供给系统,需超越简单向量召回,通过关键词-向量混合检索、时效感知重排序与溯源生成解决幻觉问题;MCP则定义企业级工具调用协议,确保调用可追溯、可鉴权、可熔断。真实政务、金融、工业场景验证表明,跳过任一层(如用LangChain硬扛多状态流程)将导致

weixin_29038345的博客 194

粒子群优化与蚁群算法求解多旅行商问题

它要求在给定一组城市和旅行商之间的距离矩阵的情况下,找到一条最优的路径方案,使得所有旅行商可以分别从起始城市出发,途径其他城市,并最终回到起始城市,同时总旅行距离达到最小。这两种算法都是基于群体智能的优化算法,在求解组合优化问题时具有较好的性能表现。假设有n个城市需要被m个旅行商访问,城市间的距离由距离矩阵D表示,其中D(i,j)表示第i个城市到第j个城市的距离。粒子群优化算法是一种基于群体智能的优化算法,其中的粒子代表了潜在的解,并通过模拟粒子在解空间中的移动来搜索最优解。一、多旅行商问题建模。

m0_47037246的博客 553

AI Agent开发实战地图:LangChain/LangGraph/RAG/MCP问题驱动指南

AI Agent并非智能体概念,而是面向业务的可控决策流水线;其核心在于意图识别、状态编排与执行隔离,而非框架语法背诵。RAG本质是信息注入手术,依赖多路召回(关键词/BM25/向量)与Cross-Encoder重排协同提升准确率,Embedding模型选型与chunk粒度直接影响效果。LangGraph中state管理与send机制需紧扣异步调度本质,避免‘石沉大海’式调试困境。MCP则作为上下文契约协议,实现设计工具与后端API的低耦合集成。本文聚焦AI Agent、LangGraph等热词所对应的工程

weixin_29053695的博客 274

三态门Multisim电路仿真——硬件工程师笔记

三态门原理及应用摘要 三态门是具有高电平(1)、低电平(0)和高阻态(Z)三种输出的逻辑电路,通过使能端(EN)控制状态切换。高阻态时输出端等效断路,避免信号冲突。其核心应用包括: 总线系统:多设备共享总线时,仅使能选中设备的三态门,其余保持高阻态,防止干扰。 数据选择器:利用三态门切换多路输入信号,简化电路设计。 实现方式分两种: TTL三态门(三极管构成):低电平使能有效,仿真验证输出逻辑与高阻态。 MOS三态门(MOS管构成):高电平使能有效,仿真显示使能信号控制输出状态。 文中还附硬件工程师笔试面试

XU157303764的博客 2014

【uniapp踩坑记】App Store上传失败:Invalid Swift Support错误怎么解决?

作为一个前端出身的开发者,用 uniapp 开发原生 App 已经够挑战了,打包 iOS 上传 App Store 更是处处暗雷。这次的坑虽然小,但确实容易忽略。如果你也遇到了类似的报错,希望这篇文章能帮你少踩一次坑!

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 1144

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+

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

故障诊断常用的信号处理方法

一个故障诊断信号处理的总结,参考的引用文献中内容

weixin_43067090的博客 6959

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

【免费下载】 深度学习与小波-LSTM结合:一个新颖的预测框架

该项目——`DeepLearning_Wavelet-LSTM`,是一个创新性的深度学习框架,它巧妙地将经典的小波变换(Wavelet Transform)与长短期记忆网络(LSTM)相结合,以解决时间序列预测问题。这种结合不仅增强了模型对非线性模式的捕捉能力,还能够有效处理数据中的多尺度信息。 ## 项目简介 在许多领域,如金融、气象学和电力系统中,时间序列预测是至关重要的。传统的LSTM模...

gitblog_00072的博客 1561

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

基于小波时频图和2D-CNN的齿轮箱故障检测

以东南大学齿轮数据集,选取行星齿轮z方向振动信号数据,选取 1024 个连续采样点为一个信号样本,通过小波变换将一个时域信号样本转换成时频图像。采集到 5类运行状态的传感器信号,每一类到采集 1000 个时域图像,将总体样本按照 9:1 的比例划分训练集与测试集,传输到CNN网络上,进行故障分类。

m0_67853969的博客 3384

基于小波分解与LSTM的城市轨道短时客流预测

1、文章信息文章题为《A novel prediction model for the inbound passenger flow of urban rail transit》,是一篇发...

zuiyishihefang的博客 4213

深度学习故障诊断算法:残差收缩网络

深度残差收缩网络是深度残差网络的一种新的改进版本,其实是深度残差网络、注意力机制和软阈值函数的集成。 在一定程度上,深度残差收缩网络的工作原理,可以理解为:通过注意力机制注意到不重要的特征,通过软阈值函数将它们置为零;或者说,通过注意力机制注意到重要的特征,将它们保留下来,从而加强深度神经网络从含噪声信号中提取有用特征的能力。 1.为什么要提出深度残差收缩网络呢? 首先,在对样本进行分类的时候,样本中不可避免地会有一些噪声,就像高斯噪声、粉色噪声、拉普拉斯噪声等。更广义地讲,样本中很可能包含着与当前分类任务

weixin_47174159的博客 6524

CNN-LSTM基于卷积神经网络-长短期记忆网络时间序列预测Matlab

在过去的几年里,随着可再生能源的快速发展,风电发电成为了一种越来越受关注的清洁能源形式。然而,由于风力发电的不确定性和不稳定性,准确预测风电功率成为了一个重要的问题。为了解决这个问题,研究人员们提出了各种各样的预测模型和算法。在本文中,我们将介绍一种基于卷积神经网络结合长短记忆网络的算法流程,用于实现风电功率的多输入单输出回归预测。这种算法结合了卷积神经网络(CNN)和长短记忆网络(LSTM),能够有效地捕捉时间序列数据中的时空特征,并提高预测的准确性。首先,我们需要收集风电场的相关数据。

m0_57702748的博客 488

小波变换+LSTM:时序预测精度提升实战指南

今儿和大家深扒一个时序预测的“王炸组合”——小波变换+LSTM!传统LSTM处理非平稳时序数据时总被噪声干扰、长程依赖捕捉不准?小波变换刚好能补上这个短板,两者结合直接实现“1+1>2”的预测效果!原文 资料 这里! 下面的内容,咱们从原理公式、核心逻辑、完整实操项目到避坑指南,一站式讲透,小白也能跟着跑通代码!👇 全是硬核干货,建议收藏慢慢看~要搞懂这个组合的威力,得先分别搞清楚两个核心模块的原理,再看它们怎么“强强联合”。时序数据(比如股价、传感器数据)大多是非平稳的——既有长期趋势,又有短期波动,还

2501_93508870的博客 944

神思路:小波变换+CNN!最新idea躺进顶会!

实验表明,即使在只有少量短时训练样本的情况下,提出的混合架构也能成功执行有效的特征提取,相对改进了约20%(Librispeech数据集上,相比于CNN-raw和SincNet)。:在16×16或更小像素尺寸的非常低分辨率人脸图像上实现了高达16倍的放大,且在定量和定性上都优于现有的超分辨率方法。:小波变换的应用揭示了在处理不平等类分布时,CNN模型的局限性,为未来的空气质量预测系统提供了改进的方向。:小波散射变换减少了CNN第一层的不稳定性,并扩展了MFCC表示,没有丢失信息,提供了更丰富的特征表示。

d22800的博客 1464

天选思路怎能不会!小波变换+CNN完美融合,最新idea发了CV顶会!

这俩热点的结合可以轻松实现“1+1>2”的效果。这是因为,一方面小波变换可以作为预处理步骤,提取出关键的局部特征,加速CNN收敛并提升性能;另一方面,CNN可以进一步处理小波变换提取的特征,提取高级抽象表示,用于后续的分类、识别或回归任务。因此,特别是在信号处理和图像处理等任务中,效果炸裂好,比如ECCV 2024的WTConv,一种基于小波变换的新型卷积,实现小参数大感受野,显著提升了网络性能。目前这个方向,想发论文的同学可以考虑,我这边也整理了,代码基本都有,方便大家复现找灵感。

学姐带你玩AI的博客 4376
上一篇: 蒲公英优化算法(DO),原理详解,MATLAB代码免费获取
下一篇: 基于SABO-VMD-CNN-SVM的分类诊断
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