50种近五年主流深度学习模型×10种时频方法,故障诊断、分类一键跑通!

Python滚动轴承智能故障诊断:从振动信号到深度学习模型实战 滚动轴承智能故障诊断是旋转机械状态监测的核心技术,其基本原理是通过加速度传感器采集振动信号,利用时频域特征提取与深度学习模型实现故障分类。在工程实践中,Python凭借丰富的数据处理与深度学习生态,成为构建可复现诊断链路的主流工具。典型应用场景包括电机、风机等设备的早期故障预警与剩余寿命预测。公开数据集如西储大学、帕德博恩和PHM2012为算法验证提供了基准,但格式差异与工况偏移是常见挑战。本文围绕Python、滚动轴承、智能故障诊断、深度学习与数据集五大核心词,系统讲解从数据读取、预处理、模型搭建到可解释 阅读详情

今天给大家分享一个深度学习分类全家桶项目,整合了50种近年来主流的深度学习模型 和 10种1D转2D的时频变换方法,共计 500种组合,并为每个模型配合tsne可视化操作。 先来看50种深度学习模型有哪些:

网络名称(年份)

论文链接

DenseNet (2017)

https://arxiv.org/abs/1608.06993

GoogLeNet (2015)

https://arxiv.org/abs/1409.4842

InceptionV3 (2016)

https://arxiv.org/abs/1512.00567

MobileNetV2 (2018)

https://arxiv.org/abs/1801.04381

MobileNetV3 (2019)

https://arxiv.org/abs/1905.02244

ShuffleNet (2018)

https://arxiv.org/abs/1707.01083

SqueezeNet (2016)

https://arxiv.org/abs/1602.07360

EfficientNet (2019)

https://arxiv.org/abs/1905.11946

GhostNet (2020)

https://arxiv.org/abs/1911.11907

MnasNet (2019)

https://arxiv.org/abs/1807.11626

SENet (2018)

https://arxiv.org/abs/1709.01507

SKNet (2019)

https://arxiv.org/abs/1903.06586

ViT (2021)

https://arxiv.org/abs/2010.11929

Swin Transformer (2021)

https://arxiv.org/abs/2103.14030

ConvNeXt (2022)

https://arxiv.org/abs/2201.03545

WideResNet (2016)

https://arxiv.org/abs/1605.07146

ResNeXt (2017)

https://arxiv.org/abs/1611.05431

Xception (2017)

https://arxiv.org/abs/1610.02357

RegNet (2020)

https://arxiv.org/abs/2003.13678

DPN (2017)

https://arxiv.org/abs/1707.01629

InceptionResNet (2017)

https://arxiv.org/abs/1602.07261

ResNet-FPN (2017)

https://arxiv.org/abs/1612.03144

MobileViT (2022)

https://arxiv.org/abs/2110.02178

CoAtNet (2021)

https://arxiv.org/abs/2106.04803

ConvMixer (2022)

https://arxiv.org/abs/2201.09792

PoolFormer (2022)

https://arxiv.org/abs/2111.11418

EdgeNeXt (2022)

https://arxiv.org/abs/2206.10589

Res2Net (2021)

https://arxiv.org/abs/1904.01169

GCNet (2019)

https://arxiv.org/abs/1904.11492

RepVGG (2021)

https://arxiv.org/abs/2101.03697

FocalNet (2022)

https://arxiv.org/abs/2203.11926

CrossViT (2021)

https://arxiv.org/abs/2103.14899

PVTv2 (2021)

https://arxiv.org/abs/2106.13797

CaiT (2021)

https://arxiv.org/abs/2103.17239

EfficientFormer (2022)

https://arxiv.org/abs/2206.01191

HRNet (2020)

https://arxiv.org/abs/1908.07919

是的,你没看错!本项目就是把以上50种类型的模型全部整合到了一起,你可以方便的学习到每个模型的构建方式,并且将该模型用于故障诊断或者分类模型!

一、项目概述

本项目以经典的 CWRU(西储大学)轴承数据集 为例,完整实现了:

❝

原始振动信号 → 加噪 → 1D转2D时频图 → 深度学习分类 → 评估可视化

整个项目流程只需4个脚本,按顺序运行即可:

步骤

脚本

功能

STEP1

STEP1_add_noise.py

对原始信号添加高斯白噪声(不想加也可以!)

STEP2

STEP2_convert_1D_to_2D.py

将1D信号转为2D时频图像(64×64×3)

STEP3

STEP3_train_single.py

选择一种时频方法+一种模型,训练评估

STEP4

STEP4_train_all.py

一键批量跑所有组合,自动汇总结果

二、10种时频变换方法

项目支持以下 10种1D→2D转换方法,每种方法将长度为2048的振动信号转为64×64×3的图像:

方法

全称

简介

STFT

短时傅里叶变换

最经典的时频分析方法

CWT

连续小波变换

多尺度分析,对数频率覆盖

Mel

Mel频谱图

模拟人耳感知的频率尺度

GASF

Gramian角求和场

时间序列→极坐标→角度求和

GADF

Gramian角差分场

与GASF互补的角度差分编码

MTF

Markov转移场

捕捉时间序列的状态转移概率

RP

递归图

相空间重构后的递归可视化

WPD

小波包分解

等频带分解,频率分辨率均匀

ST

S变换

结合STFT和CWT优点的时频方法

WVD

Wigner-Ville分布

高分辨率时频分布

三、50种深度学习模型

项目涵盖了从经典到前沿的 50种模型,全部手写版,适配64×64输入:

CNN + 注意力(4种)CNN2D、SE-CNN2D、CBAM-CNN2D、ECA-CNN2D

ResNet + YOLO骨干(3种)ResNet18、DarkNet、CSPNet

VGG系列(2种)VGG11、VGG16

DenseNet(1种)DenseNet

Inception系列(2种)GoogLeNet、InceptionV3

轻量级网络(7种)MobileNetV2、MobileNetV3、ShuffleNet、SqueezeNet、EfficientNet、GhostNet、MnasNet

注意力网络(2种)SENet、SKNet

Transformer(3种)ViT、SwinTransformer、TinyViT

现代架构(5种)ConvNeXt、WideResNet、Xception、RegNet、DPN

组合混合模型(10种)InceptionResNet、SE-ResNet、CBAM-ResNet、SE-DenseNet、ResNet-FPN、MobileViT、CoAtNet、ConvMixer、PoolFormer、EdgeNeXt

多尺度/金字塔(11种)Res2Net、ECA-ResNet、GCNet、RepVGG、VAN、FocalNet、CrossViT、PVTv2、CaiT、EfficientFormer、HRNet

四、输出结果

每个模型训练完成后,自动生成以下评估结果:

1. 准确率/损失曲线(含训练集、验证集、测试集三条曲线)

2. 混淆矩阵

3. 分类报告(Precision、Recall、F1-score)

4. 每类准确率柱状图

5. t-SNE特征可视化(原始特征 + FC层特征)

批量训练完成后,还会自动汇总所有组合的指标(Val Acc、Test Acc、Precision、Recall、F1),并保存为CSV文件,方便对比分析。

五、项目目录

下面这是results里边跑的部分结果:

STEP1:添加噪声

python STEP1_add_noise.py

读取 dataset/CWRU/ 中的原始 .mat 文件,添加高斯白噪声后保存到 dataset/Add_Noise_CWRU/。

STEP2:1D信号转2D时频图

# 转换全部10种方法
python STEP2_convert_1D_to_2D.py --method all
# 只转换指定方法
python STEP2_convert_1D_to_2D.py --method STFT

生成的 .npy 文件保存在 dataset/Add_Noise_CWRU_2D/,可视化 .png 保存在 dataset/Add_Noise_CWRU_2D_img/。

STEP3:单模型训练

打开 STEP3_train_single.py,修改配置区域的 tf_method 和 use_model:

tf_method = 'STFT'      # 时频方法
use_model = 'ResNet18'   # 模型名称
epochs = 30              # 训练轮数

然后运行:

python STEP3_train_single.py

STEP4:一键批量训练

# 跑全部 500 个组合
python STEP4_train_all.py
# 只跑指定方法和模型
python STEP4_train_all.py --tf_method STFT CWT --use_model ResNet18 CNN2D
# 自定义参数
python STEP4_train_all.py --epochs 50 --batch_size 64 --lr 0.001

六、几个设计细节

数据划分:采用 训练集60% / 验证集20% / 测试集20% 的三分策略,分层采样保证每个类别比例一致。模型选择基于验证集最优,最终指标在测试集上报告,避免信息泄露。

全部手写实现:50种模型均为手写版,不依赖 torchvision 预训练模型,适配 64×64 小尺寸输入,训练速度快,适合学术实验。


以上就是整个项目的介绍。50种模型 × 10种时频方法 = 500种组合,基本涵盖了故障诊断领域主流的深度学习方案,拿来跑实验、写论文都很方便。、代码获取

代码获取

链接:https://mbd.pub/o/bread/YZWcmJ1qZg==

点击下方阅读原文也可跳转!

基于STM32的智能火灾报警系统设计:多传感器融合与远程控制实现 本文详细介绍基于STM32单片机的智能火灾报警系统设计,采用多传感器融合技术(烟雾、温度、火焰检测)实现高精度火灾识别。系统集成远程控制与手机APP监控,通过加权决策算法降低误报率,提供多级响应策略,确保火灾预警的准确性与可靠性。 阅读详情

相关推荐

Label Studio 图像分割自动标注接入教程:从模型预测到一键上传 Predictions

这篇文章详细介绍了如何使用Label Studio进行图像分割任务的自动标注流程。主要内容包括: 环境准备:安装Label Studio和模型推理依赖 项目配置:启动Label Studio服务,创建项目并配置BrushLabels标注界面 数据准备:导入待标注图片,获取API访问凭证 模型推理:运行训练好的分割模型生成预测mask 结果上传:将预测结果转换为Label Studio格式并通过API上传为Predictions 文章提供了完整的操作指南,包括: 详细的命令行参数说明 推荐的项目目录结构 标注

. 452

当CNN遇见SVM:混合模型在工业故障诊断中的协同效应

本文探讨了CNN与SVM混合模型在工业故障诊断中的协同效应,通过结合卷积神经网络的特征提取能力和支持向量机的小样本分类优势,显著提升了故障诊断的准确率和鲁棒性。文章详细介绍了混合架构的设计原理、时频分析策略及工程实践中的调优经验,为工业AI应用提供了创新解决方案。

weixin_29061531的博客 386

解决 TensorFlow 和 Keras 的 Python 版本兼容问题:详细技术指南

本文提供了TensorFlow和Keras与Python版本不兼容问题的完整解决方案。通过版本对照表指出不同TensorFlow版本对应的Python支持范围,强调2.13.x仅支持Python 3.9-3.11,且不兼容Python 3.12+。给出最佳实践建议:使用虚拟环境管理项目依赖,推荐venv或conda创建独立环境;指导正确安装TensorFlow和Keras版本,建议优先使用tf.keras避免冲突;针对常见报错如DLL加载失败、模块导入错误等提供具体解决方法。最后给出一个在兼容环境中运行的M

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1667

50种近五年主流深度学习模型×10种时频方法,故障诊断、分类一键跑通!TaoToken统一Key接入实践

用50种近五年主流深度学习模型搭配10种时频方法,在CWRU轴承数据集上跑通故障诊断分类的500种组合。本文给出可复制的时频转换与批量训练脚本,并借助TaoToken统一Key辅助调试报错、生成配置,官网见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end ,让分类实验从单组验证到批量对比一键落地。

weixin_35749545的博客 9

滤波器初步入门(非常全面)

主要关注的是-3dB这个点,-3dB就是截止频率所对应的点,我们把功率降至50%以下的信号定义为被衰减掉了(但要跟实际情况相结合,有些信号衰减-3db不够,需要衰减更多)-3dB这个点对应我们的电压来说是0.707。设计电路可以留一定的余量,如果你把4k设计为截止频率,那么4k时候衰减倍数为-3dB通常是不够的,你可以将截止频率设为2k,那么4k的衰减就可以达到15dB(假设),根据自己的需要去设计对应的截止频率。理想的滤波器是当输入的信号频率大于截止频率时,大于部分的频率对应的电压信号直接归0。

yybyybds的博客 5722

从Applied Intelligence被拒到The Visual Computer录用:我的计算机视觉论文投稿时间线全记录(含详细修改意见)

本文详细记录了作者从Applied Intelligence被拒到The Visual Computer成功发表计算机视觉论文的全过程,重点分享了如何将模糊的拒稿理由转化为具体改进方案。文章包含技术改进细节、写作调整策略以及期刊选择经验,为计算机视觉领域的研究者提供了实用的投稿指南。

weixin_30872499的博客 470

50种近五年主流深度学习模型×10种时频方法,故障诊断分类一键跑通:TaoToken统一Key接入实战

50种深度学习模型×10种时频方法的故障诊断分类项目,用TaoToken统一Key与Base URL收敛调用层,一份JSON/TOML配置让STEP1至STEP4脚本共用,换模型只改Model ID。含401、proxy、choices等报错排查与端到端验证,官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42579969的博客 5

VC Spyglass CDC实战:从TCL脚本到SDC约束的完整避坑指南

本文是一份针对数字IC验证工程师的VC Spyglass CDC实战指南。文章详细阐述了从TCL脚本环境搭建、SDC约束编写到典型CDC违规(如SETUP_PORT_UNCONSTRAINED)诊断与修复的完整流程,旨在帮助读者高效避坑,深入理解工具逻辑,从而完成可靠的时钟域交叉验证。

go5gopher的博客 386

PaddleSpeech 声音分类实战:基于 PANNs 预训练模型在 ESC-50 上完成 Finetune、推理与部署

本指南以 PaddleSpeech 仓库中的 [examples/esc50](https://link.gitcode.com/i/98b8f8692b465638dd62523b6e7be445) 示例为主线,系统讲解如何基于 PANNs(PANNs: Large-Scale Pretrained Audio Neural Networks for Audio Pattern Recognit

gitblog_01153的博客 858

关于RT-Thread中PWM无法正常输出的学习

按照官方的PWM配置,并没有输出PWM,网上有比较多的办法,试了很多,有些还是不能实现输出,这里做个记录。记录自己完成PWM输出的过程,以及修改的地方。 关于STM32CubeMX配置就不多说了,网上有很多。 首先必定是按照流程来,一定一定按照流程来!!! 需要注意的是加上通道数!!!! 这是流程上没有的,也是RTT的一点小BUG吧 配上board.c中添加的代码,我用的是PA2定时2的通道3,需要使用的朋友修改对应定时器和GPIO! void HAL_TIM_Base_MspInit(TIM_Han

weixin_42566346的博客 3557

AI 赋能测试全生命周期:多 Agent 协同的自动化提效方案

本文提出了一种基于Coze平台的多Agent协同测试解决方案,旨在解决软件测试中PRD解析不清晰、测试点覆盖不全、用例编写效率低、代码生成耗时等痛点。通过PRD优化、测试点生成、测试用例生成和单元测试框架生成四个Agent的协同工作,结合Cursor工具实现从需求到代码的全链路自动化。以电商平台登录模块为例,展示了从模糊PRD到标准化测试用例和可执行Java单元测试代码的完整转化流程。该方案通过AI赋能显著提升测试效率,减少人工干预,实现测试覆盖率≥95%,为快速迭代的软件研发提供了高效的测试自动化支持。

QINJIEEE的博客 1107

基于连续小波变换与五种深度学习模型的轴承故障诊断实战

轴承故障诊断的核心挑战在于从非平稳振动信号中提取有效特征。连续小波变换(CWT)通过可变尺度因子实现多分辨率时频分析,将一维振动信号转换为二维时频图,为卷积神经网络提供兼具时间与频率信息的输入。深度学习模型如CNN、ResNet、CNN-LSTM等能够自动学习时频图中的故障模式,在凯斯西储大学(CWRU)轴承数据集上实现高精度分类。该技术方案覆盖从信号预处理、时频变换到多模型对比的完整流程,适用于旋转机械预测性维护与工业设备智能运维场景,为不同工况下的故障诊断提供可复现的基准方案。

weixin_30952479的博客 247

AgentScope 实战训练营-构建元规划智能体(Meta Planner Agent)—— 从 0 到 1 完整实现

本文介绍了基于AgentScope框架开发的元规划智能体(Meta Planner Agent)系统。该系统通过任务拆解和子代理编排机制,实现复杂任务的自动化处理。核心架构分为用户层、规划器层和子代理层,其中规划器作为"项目经理"负责任务分解、创建子代理并协调执行流程。关键技术包括AgentScope多智能体框架、DashScope大语言模型、PlanNotebook计划管理工具等。

program哲学 364

WMSST-ResNet轴承故障诊断:深度学习与时频分析融合

时频分析是处理非平稳信号的核心技术,通过将信号分解到时间-频率二维平面,可有效提取瞬态故障特征。小波变换作为典型时频分析方法,其多尺度特性特别适合捕捉机械振动信号中的冲击成分。深度学习中的残差网络(ResNet)通过跳跃连接解决了深层网络梯度消失问题,在图像识别领域表现优异。将时频分析与深度学习结合,WMSST-ResNet模型先通过小波多尺度同步压缩变换获得高分辨率时频图,再交由ResNet进行特征学习和分类,在轴承故障诊断中准确率达98.6%。这种信号处理与AI融合的框架,为工业设备预测性维护提供了新思

weixin_34417183的博客 442

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

VMD-CNN-BiLSTM轴承故障诊断模型解析与实现

深度学习在工业故障诊断领域展现出强大潜力,其中信号分解与时序建模是关键环节。变分模态分解(VMD)通过自适应频带划分有效解决传统方法模态混叠问题,配合卷积神经网络(CNN)提取时频特征和双向长短期记忆网络(BiLSTM)建模时序依赖,构建端到端智能诊断系统。该技术方案在西储大学轴承数据集上实现98.7%的分类准确率,特别适用于旋转机械的早期故障预警。工程实践中需注意VMD参数选择与数据增强策略,结合边缘计算部署可满足实时监测需求。

weixin_32238157的博客 221

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

【基于STFT-CNN的故障诊断】基于短时傅里叶变换(STFT)与卷积神经网络(CNN)的故障诊断研究(Matlab代码实现)

本文聚焦于基于短时傅里叶变换(STFT)与卷积神经网络(CNN)的故障诊断方法。通过将振动信号经STFT转换为时频图,输入CNN模型实现故障特征提取与分类。实验在齿轮箱、滚动轴承等典型旋转机械数据集上验证,结果表明该方法在完备样本条件下诊断准确率达97%以上,小样本场景下结合支持向量机(SVM)仍能保持95%的平均准确率,显著优于传统时频分析方法。研究为工业设备智能运维提供了高效、鲁棒的故障诊断解决方案。

F_Matlab的博客 916

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

上一篇: 创新满满!基于小波包阈值去噪-BiMamba-KAN的轴承剩余寿命预测+SHAP分析
下一篇: 10种主流深度学习模型+SHAP分析,TimeMixer效果碾压!电价预测python代码
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