基于FFT频谱与小波时频图的双流CNN轴承故障诊断模型

         在博客https://blog.csdn.net/qq_41043389/article/details/106150980里，我们提出了采用小波时频图作为轴承信号的故障特征数据，即首先利用matlab提取各样本的小波时频图，如图1所示，然后利用pytorch构建CNN（lenet）模型，最终达到了99%的分类正确率，详情可以看我上面那个说的那个博客。

                                                                

                                                                        图1 小波时频图

1、基于FFT频谱与小波时频图的双流CNN轴承故障诊断模型

           今天，我们提出一个更加牛逼的轴承故障cnn模型——双流CNN，其结构如图2所示。

                                                                           图  2       双流CNN结构

        大致原理如下：基于2D-CNN与1D-CNN，构建双通道的CNN（双流CNN），其中2D-CNN以小波时频图为输入，而1D-CNN以FFT频谱信号为输入，分别进行卷积层与池化层的特征提取之后，拉伸为特征向量，然后在汇聚层进行拼接，接着是全连接网路层与分类层。此种方法可以实现1维时域特征与2维时频域特征的有效融合，并以此来提高分类正确率。

2、数据准备

        采用西储大学轴承故障诊断数据集，48K/0HP数据，共10类故障（正常作为一类特殊的故障类型），划分后每个样本的采样点为864（据说是因为这样含两个故障周期），每类故障各200个样本，因此一共2000个样本，然后7:2:1划分训练集（1400），验证集（400），与测试集（100）。

3、模型训练

         在torch0.4中训练搭建与训练上述模型，得到的训练集与验证集的loss曲线与正确率曲线如图3所示所示。

 

从正确率与loss曲线可以看出，网络在200次训练的时候基本就完全收敛了，保存此时的模型，用于测试集分类。.

4、模型测试与对比

         

        加载测试集的小波时频数据与FFT频谱数据，得到正确率为100%。

        对比模型1：博客https://blog.csdn.net/qq_41043389/article/details/106150980中采用小波时频+CNN，正确率99%

        对比模型2：博客https://blog.csdn.net/qq_41043389/article/details/103870271中采用双流CNN，正确率为97%

 5、结论

       采用小波时频图与FFT频谱信号构建双流CNN故障诊断模型，能极大的提高故障诊断正确率，最终测试集的正确率达到100%.相关github 链接如下https://github.com/fish-kong/Two-stream-CNN-for-rolling-bear-fault-diagnosis/tree/master。小波时频图特征提取工具箱可以在我的github中找到github.com/fish-kong