多源信息融合更新：基于WDCNN的故障诊断模型！
往期精彩内容：
Python轴承故障诊断 (14)高创新故障识别模型-CSDN博客
独家原创 | SCI 1区 高创新轴承故障诊断模型！-CSDN博客
基于 GADF+Swin-CNN-GAM 的高创新轴承故障诊断模型-CSDN博客
视觉顶会论文 | 基于Swin Transformer的轴承故障诊断-CSDN博客
Python轴承故障诊断 | 多尺度特征交叉注意力融合模型-CSDN博客
SHAP 模型可视化 + 参数搜索策略在轴承故障诊断中的应用-CSDN博客
位置编码祛魅 | 详解Transformer中位置编码Positional Encoding-CSDN博客
多模态-故障诊断 | 大核卷积开启视觉新纪元!-CSDN博客
超强！一区直接写！基于SSA+Informer-SENet故障诊断模型-CSDN博客
图卷积故障诊断，新增GAT、SGCN、GIN分类模型-CSDN博客
故障诊断一区直接写，图卷积+BiGRU-Attention 并行诊断模型-CSDN博客
故障诊断高创新！基于1D-GRU+2D-MTF-ResNet-CBAM的多模态融合分类模型_基于1dcnn-informer+matt融合的故障诊断模型-CSDN博客
轴承寿命预测全家桶更新！新增西交XJTU-SY数据集+预测模型合集_hxd3b 型电力机车轴承寿命预测实例中,一张该模型预测结果-CSDN博客
故障诊断 SCI 1 区直接写！基于GADF+SwinTransformer-CBAM+GRU的多模态融合分类模型-CSDN博客
创新首发！齿轮箱故障诊断：基于MTF+Swin-Informer的多模态创新模型
基于多尺度卷积神经网络（MSCNN-1D）的轴承信号故障诊断模型
创新首发！基于CNN-BiLSTM-KAN模型的滚动轴承剩余使用寿命预测
高效对抗噪声！基于深度残差收缩网络（DRSN）的轴承故障诊断模型
高创新！基于FFT+WDCNN-Transformer时频域融合的轴承故障诊断模型
创新首发！从“样本极少”到“可用增强”：基于 CWT + Conditional DCGAN 的故障诊断模型
前言
多源信息融合的滚动轴承故障诊断是一种结合来自多个传感器或信号源的信息，以提高故障检测和诊断准确性的方法。在滚动轴承故障诊断领域，多源信息融合已被广泛应用以提升诊断的准确性和鲁棒性。本期主要更新基于 Python 的东南大学轴承故障数据集+WDCNN 分类模型教程！新增 pycharm 代码教程！
在前三期期推出的多源信息融合+故障诊断模型合集基础上：
（1）经典卷积网络故障诊断模型合集
（2）数据层融合+特征层融合的故障诊断模型！
（3）多源信息融合！基于特征信号VMD分解+CNN-Transformer的故障诊断模型！
多源信息融合！基于特征信号VMD分解+CNN-Transformer的故障诊断模型！
本期继续更新：基于WDCNN的故障诊断模型。
（适合多传感器、多特征列的信号分类任务）
● 数据集：东南大学轴承故障数据集
● 环境框架：python 3.9 pytorch 2.1 及其以上版本均可运行
● 准确率：测试集100%
● 使用对象：论文需求、毕业设计需求者
● 代码保证：代码注释详细、即拿即可跑通。
1 更新简介
1.1 新增视频教程：
增加了详细的视频教程，深入浅出的讲解，可以作为多源信息融合故障诊断系列模型的入门级学习教程！新增WDCNN模型参数介绍！
1.2 pycharm 代码更新：
我们严格按照完整的GitHub-Pytorch深度学习项目结构，重新编写了代码，方便大家学习养成规范的代码编写习惯！后续如有需要编写论文的开源代码，也可仿照重构代码！
2 多源轴承故障数据的预处理
2.1 导入数据
东南大学数据集主要分为轴承数据集和齿轮箱数据集，每个故障类型均对应这个两种工况（转速20Hz（1200rpm）-负载0V(0Nm) 和转速30Hz(1800rpm)-负载2V(7.32Nm)）分别对应着gearset和bearingset文件夹。轴承数据集（5种类型）：
-
滚珠故障（Ball fault）
-
内圈故障（Inner ring fault）
-
外圈故障（Outer ring fault）
-
复合故障（Combination fault on both inner ring and outer ring）
-
正常运行（Health woring state）
我们以5分类轴承数据集进行预处理讲解, 数据集为8通道！
2.2 数据集预处理
通过滑动窗口制作数据集，并按照7：2：1均匀划分训练集、验证集、测试集，最后保存数据，划分完成的数据集分布情况如下：
3 WDCNN 简介
3.1 模型简介
WDCNN（Deep Convolutional Neural Networks with Wide First-layer Kernels，第一层宽卷积核深度卷积神经网络）将传统的CNN第一层卷积核尺寸加宽，提高了模型对一维振动信号中的空间特征信息的提取能力。
如图所示，CNN的输入是一段归一化的轴承故障振动时间信号。第一卷积层从输入原始信号中提取特征，而不进行任何其他变换。所提出的WDCNN模型的整体架构与普通CNN模型的架构相同。它由一些滤波阶段和一个分类阶段组成。主要区别在于，在滤波阶段，第一个卷积核是宽的，而接下来的卷积核是小的（具体来说，3×1）。与小核相比，第一卷积层中的宽核可以更好地抑制高频噪声。多层小卷积核使网络更深，这有助于获得输入信号的良好表示并提高网络的性能。在卷积层和全连接层之后立即实现批量归一化，以加速训练过程。
3.2 网络结构介绍
实验中使用的WDCNN架构由五个卷积和池化层、一个全连接隐藏层以及最后的softmax层组成。第一个卷积核大小为 64 ×1，其余核大小为 3 ×1。池化类型为最大池化，激活函数为ReLU。在每个卷积层和全连接层之后，使用批归一化来提高WDCNN的性能。
3.3 设置参数，训练模型
50个epoch，准确率100%，用 WDCNN 网络分类效果显著，能够从故障信号特征中提取出对模型识别重要的特征，效果明显!
3.4 模型评估
（1）准确率、精确率、召回率、F1 Score
（2）故障5分类混淆矩阵：
4 代码、数据整理如下：
点击下方卡片获取代码！
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
7
0- 0
已为社区贡献9条内容
所有评论(0)