基于二维CNN的西褚大学轴承故障诊断

最近用二维CNN做了一个西储大学轴承故障诊断Demo级别的例子。

数据集选用了48K驱动端故障的数据，分为10种类型的故障，每种类型的故障一共有240000左右的采样点，以4096个点为一个样本，转变成(64,64)的矩阵，进而转变成(64,64,1)的灰度图像。

每种类型的故障取1000个样本，按照训练集700，验证集200，测试集100划分。总共7000个数据。
2DCNN结构：

测试集上的准确率：

优化方向思考：
1.加深层次
2.减少参数
resnet,inceptionnet
参考资料：
数据与前处理代码参考：
基于深度学习的轴承故障识别
2d灰度图思想：
一种用于轴承故障诊断的二维卷积神经网络优化方法
用CNN判断机械轴承的故障数据