东南大学轴承故障诊断（Python代码，没有使用复合故障类型数据，内圈/外圈/滚动体/正常四种类型下的诊断，模型为MSCNN结合LSTM结合注意力机制模型，有注释）

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。，例如本次的MSCNN结合LSTM结合注意力机制模型

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)、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。

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

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。

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4:1（训练集：3200个样本，测试集：800个样本）

 

 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4:1（训练集：3200个样本，测试集：800个样本）

 

 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/ZJybmJ9p