本期带来：两种常用的经典数据集（江南大学轴承数据、西储大学轴承数据）进行故障诊断。

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。包含的方法有：

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（江南大学轴承）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：

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，对官方下载的江南大学数据进行处理，步骤如下：

①对江南大学轴承数据进行处理。

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。

三，采用连续小波变换将数据进行时频图转换

西储大学数据：连续小波变换时频图

江南大学轴承数据：连续小波变换时频图，以1000rpm为例进行展示。

四，将构建好的特征向量送入不同模型进行训练与测试

西储大学数据诊断结果：

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：

ResNet结构：

添加了T-sne降维前后分布图：

江南大学数据诊断结果：

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：

以下均为1000rpm的四种状态数据分类结果：

ResNet结构：

添加了T-sne降维前后分布图：

代码目录

分为西储大学数据和江南大学数据：

代码获取

链接：

已将此代码添加至故障诊断全家桶中，

故障诊断全家桶获取链接：

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].