【毕设笔记】轴承振动数据故障诊断软件系统

一、简介

这是我本科毕设基于Matlab所做的一个小小的关于轴承振动数据故障诊断的软件，下面是我针对软件做的一片小笔记。我使用的数据是西储大学的轴承故障振动数据，展示了两个界面，一个是传统的故障诊断方法，比如时域参数分析、故障特征频率计算、小波分解和重构的方法进行轴承的故障诊断；还有一个界面展示的是用神经网络（分别是两级CNN和一维深度卷积网络）实现轴承故障诊断，这个界面比较笨拙（有些缺陷），有兴趣的同学可以进行完善。

二、实验准备

1、软件：Mtalab2019b（配置好python，我的是python3.7，配置操作百度或者博客搜一下就行）

2、数据：西储大学轴承故障数据（网上搜一下就可以下载了，红色部分是本文涉及到的数据）

3、网络模型代码：我是在pycharm训练配置好的网络模型文件，然后导进matlab中（文件获取方法见文末）

三、界面展示

整个界面的框架如下：

1、首界面

首界面提供了两个入口，一个是传统时频域分析的故障诊断，另一个是神经网络实现故障诊断。

下面代码展示了两个界面之间的转换：（其中main文件是传统信号分析，main1界面是卷积网络实现故障诊断）

2、传统信号分析实现故障诊断界面

（1）参数设置

源数据序列：可以输入右上方备注部分的序号（105、130、118、144、156），都是驱动端、1797r/min转速下的数据，右上方备注部分的含义如105-IR007【105数据是内圈0.07英寸损伤的数据，OR3/6/12分别是外圈3/6/12点方向的损伤，B是滚动球体的损伤数据】；

（2）故障特征频率：通过理论公式计算得到，如图所示

 （3）时域信号分析，点击“加载原数据”就会自动计算出来

 （4）幅频图：画幅频图的代码如下所示

（5） 包络图，此图可以结合故障特征频率进行故障诊断，点击“放大”包络图，如下图所示。

 这个图中的峰值频率是105.5及其倍频，从下图可以看到外圈故障频率是107.3648，由于环境等因素的影响，理论值和实际值难免有偏差，两个数值接近，所以可以认为该轴承存在外圈故障，再回到备注部分中130-OR6007，确认是外圈故障，所以小波重构的方法可以进行轴承故障诊断的。

3、卷积神经网络实现故障诊断界面

（1）模型选择中，有两种可选，一种是两级的CNN（只有两个卷积层），另一种是一维深度卷积网络（1D-DCNN）【该网络的具体实现我会另外写一篇博客】，如图所示，一位深度卷积网络实现效果还不错，TSNE可视化中，颜色越是聚在一起，说明分类效果越好。同颜色的点表示同一类别，其中0-9序号样本的含义如图所示。

（ 这部分界面，点击“开始训练后”，需要稍等一段时间才会有输出，不能实时展示训练过程；在输出参数中，尚未进行python文件和matlab文件的交互，所以准确率是自己输入进去的。以上两块内容有兴趣的同学可以逐渐完善一下）

四、总结&资源

以上是我的本科毕设所做的软件内容，有需要【源码】的可以关注“OurTwenty”公众号回复【轴承故障项目】