基于融合CNN(2D-CNN与1D-CNN融合)与SVM的滚动轴承故障诊断

        本文将2D-CNN与1D-CNN融合，同时对轴承数据集进行训练，然后在汇聚层将两者池化层的输出连接成一个向量，送进全连接层。模型训练结束之后，取FC层的输出作为提取到的故障特征信号。数据来源，西储大学滚动轴承故障诊断数据集。

        融合CNN的结构图如图所示：

1，数据准备

         对于10类故障（1正常，9故障），分别采集100组样本，共1000组，采样点为1024。然后按7:2:1划分训练集、验证集与测试集。

2、模型训练-特征提取

        在tensorflow中训练上图所示模型，在1D-CNN中直接将1维振动信号作为输入，整个过程中采用1d卷积进行卷积计算，池化层采用最大池化，填充均为'SAME'。在2D-CNN中，先将1维振动信号转换为32*32的矩阵作为输入，整个过程中采用2d卷积进行卷积计算，池化层采用最大池化，填充均为'SAME'。初始学习率0.1，采用递减学习率，adam优化器，迭代次数4000，batchsize为16，训练时的dropout为0.5，测试时为1.0。loss曲线如下：

      训练结束之后，分别输入训练集、验证集、与测试集。采集FC层的输出作为最终的提取到的特征，因此训练集特征700*512，验证集特征200*512，测试集特征100*512

3、故障诊断

      由于CNN采用softmax进行分类，效果不是很好，因此本文采用SVM对2中采集到的特征进行最后的分类，核函数RBF。最后训练集准确率99%，验证集97%，测试集97%。

 

 

4、对比实验

       特征提取对比，分别采用1d-cnn、2d-cnn与融合CNN进行特征提取。模型更改极其方便。

       故障分类对比，分别采用cnn直接分类,cnn特征+svm,cnn特征+tree，原始+SVM，原始数据+tree进行分类。最终结果为

CNN直接分类为84%，CNN+tree为90%，原始+SVM为64，原始数据+tree为50%。

       当然融合cnn+pso+svm最好啦，要是其他组合更好，那玩儿鸡毛！

github链接：https://github.com/fish-kong/Fusion-CNN-multi-CNN-for-feature-extraction-and-SVM-for-fault-diagnosis-