东南大学轴承故障诊断（Python代码，CNN模型，适合复合故障诊断研究）
运行代码要求：
代码运行环境要求：Keras版本>=2.4.0，python版本>=3.6.0
本次实验主要是在两种不同工况数据下，进行带有复合故障的诊断实验，没有复合故障的诊断实验。
实验结果证明，针对具有复合故障的数据集，需要 研发特定的算法，才能更好区分复合故障数据集。
1.东南大学采集数据平台
数据
该数据集包含2个子数据集，包括轴承数据和齿轮数据，这两个子数据集都是在传动系动力学模拟器（DDS）上获取的。（第一个文件夹是轴承数据，第二个文件夹是齿轮数据，本次是针对齿轮数据进行故障诊断）
本实验主要是利用轴承数据(第一个文件夹的数据)进行故障诊断，轴承具体数据
有两种工况，转速-负载配置设置为20-0和30-2。
每种工况下有：ball(滚动体故障)、comb(复合故障，即包含滚动体、外圈、内圈故障)，health(健康)、inner(内圈故障)、outer(外圈故障)
code_20.py是只使用20_0工况下ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集诊断。没有使用复合故障数据集
code_20_0.py是使用20_0工况下ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)、comb(复合故障，即包含滚动体、外圈、内圈故障)诊断
code_30.py是只使用30_2工况下ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集诊断。没有使用复合故障数据集
code_30_2.py是使用30_2工况下ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)、comb(复合故障，即包含滚动体、外圈、内圈故障)诊断
模型
首先在20-0工况数据集下实验
2.1.使用ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集。没有使用复合故障数据集
每类故障有1000个样本（一共4000个样本），训练集与测试集比例是9:1（训练集：3600个样本，测试集：400个样本）
测试集的混淆矩阵（以样本个数呈现）
测试集的混淆矩阵（以准确率数呈现）
2.2.使用ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集，comb(复合故障，即包含滚动体、外圈、内圈故障)。
每类故障有1000个样本（一共5000个样本），训练集与测试集比例是9:1（训练集：4500个样本，测试集：500个样本）
从结果可以看出，CNN对带有复合故障的数据集诊断准确率不高，需要区分复合故障与单独故障的特定算法， 才能提高准确率
测试集的混淆矩阵（以样本个数呈现）
测试集的混淆矩阵（以准确率数呈现）
3.在30-2工况数据集下实验
3.1.使用ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集。没有使用复合故障数据集
每类故障有1000个样本（一共4000个样本），训练集与测试集比例是9:1（训练集：3600个样本，测试集：400个样本）
测试集的混淆矩阵（以样本个数呈现）
测试集的混淆矩阵（以准确率数呈现）
3.2.
使用ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集，comb(复合故障，即包含滚动体、外圈、内圈故障)。
每类故障有1000个样本（一共5000个样本），训练集与测试集比例是9:1（训练集：4500个样本，测试集：500个样本）
从结果可以看出，CNN对带有复合故障的数据集诊断准确率虽然不低，但是准确率不稳定。
测试集的混淆矩阵（以样本个数呈现）
测试集的混淆矩阵（以准确率数呈现）
本次项目所有代码和数据放在了压缩包
import pandas as pd
import pandas as pd
import numpy as np
from keras.utils import np_utils
from sklearn import preprocessing
import tensorflow as tf
from matplotlib import pyplot as plt
#压缩包：https://mbd.pub/o/bread/ZJyTlp9y