江南大学轴承数据故障诊断（利用连续小波变换转换为二维图像，再利用CNN进行故障诊断）

1.江南大学轴承数据集介绍

 

采样频率：50khz，采样时间：10s

转速：600 800 1000/rpm

内圈：ib

外圈：ob

滚动体：tb

正常：N

 以600转速下的内圈故障数据为例展示：

开始数据

截止数据 

 

 

小波变换：

以1024的长度分割原始信号，每个类别下生成480个样本，这里为了程序更快运行，选取了每个类别的125个样本，4种类别下一共有500个样本。利用连续小波变换将500个样本变成二维图像，生成500张照片。

 利用CNN对图像进行识别。

文件夹介绍：

分别在不同转速下实验

 以600转速为例，打开以后是图片文件夹，生成的图像保存在里面，CNN是CNN诊断模型，JNU是利用小波变换生成图片的程序。

600/rpm 数据集

测试集准确率为：80.26%

800/rpm 数据集

测试集准确率为：89.65%

 

 1000/rpm 数据集

测试集准确率为：86.00%

因为本人电脑本身配置比较低，当在一个类别下连续生成480张二维图像时，电脑会出现卡顿，所以只选取了每个类别下的125张图像，如果图像更多，准确率更高。

对代码感兴趣的可以关注

import numpy as np 
import pandas as pd
from sklearn.model_selection import train_test_split
from collections import Counter
import pywt
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
#对代码感兴趣的可以关注：https://mbd.pub/o/bread/ZJualJxq
import numpy as np 
import pandas as pd
#from sklearn.model_selection import train_test_split
from collections import Counter
import pywt
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler