基于融合CNN(2D-CNN与1D-CNN融合)与SVM的滚动轴承故障诊断_基于融合cnn和svm的轴承故障诊断

        本文将2D-CNN与1D-CNN融合，同时对轴承数据集进行训练，然后在汇聚层将两者池化层的输出连接成一个向量，送进全连接层。模型训练结束之后，取FC层的输出作为提取到的故障特征信号。

        融合CNN的结构图如图所示：

1，数据准备

        采用凯斯西储轴承数据集，OHP下48k采样频率驱动端的数据，对于10类故障（1正常，9故障），分别采集200组样本，共2000组，采样点为1024。然后按7:2:1划分训练集、验证集与测试集。故障类型对应如下：

0HP/48k_Drive_End_B007_0_122.mat 为第 0 类
0HP/48k_Drive_End_B014_0_189.mat 为第 1 类
0HP/48k_Drive_End_B021_0_226.mat 为第 2 类
0HP/48k_Drive_End_IR007_0_109.mat 为第 3 类
0HP/48k_Drive_End_IR014_0_174.mat 为第 4 类
0HP/48k_Drive_End_IR021_0_213.mat 为第 5 类
0HP/48k_Drive_End_OR007@6_0_135.mat 为第 6 类
0HP/48k_Drive_End_OR014@6_0_201.mat 为第 7 类
0HP/48k_Drive_End_OR021@6_0_238.mat 为第 8 类
0HP/normal_0_97.mat 为第 9 类

2、模型训练-特征提取

        在tensorflow1.x框架中搭建上图所示模型，在1D-CNN中直接将1维振动信号作为输入，整个过程中采用1d卷积进行卷积计算，池化层采用最大池化，填充均为'SAME'。在2D-CNN中，先将1维振动信号转换为32*32（这也是上面为什么要取样1024，正好转为32*32）的矩阵作为输入，整个过程中采用2d卷积进行卷积计算，池化层采用最大池化，填充均为'SAME'。学习率0.001，adam优化器，迭代次数100，batchsize为64，训练时的dropout为0.5，测试时为1.0。loss曲线如下：

      训练结束之后，分别输入训练集、验证集、与测试集。采集FC层的输出作为最终的提取到的特征。

3，特征可视化

将提取的特征进行二维可视化，从图像上可以看出，经CNN学习之后，不同类数据的类间区分度明显增加

4、故障诊断

      1、直接采用softmax进行分类：

        训练集分类精度为： 100.0 %
        验证集分类精度为： 97.49373197555542 %
        测试集分类精度为： 98.50746393203735 %

       2、采用SVM进行分类，本文采用SVM对2中采集到的特征进行最后的分类，核函数RBF，惩罚参数100，核参数0.01。

训练集分类精度为： 100.0 %
验证集分类精度为： 98.99749373433583 %
测试集分类精度为： 99.00497512437812 %
测试集中，第 0 类样本的精确率： 1.0  召回率为： 0.8947368421052632  F1分数为： 0.9444444444444444
测试集中，第 1 类样本的精确率： 0.8947368421052632  召回率为： 1.0  F1分数为： 0.9444444444444444
测试集中，第 2 类样本的精确率： 1.0  召回率为： 1.0  F1分数为： 1.0
测试集中，第 3 类样本的精确率： 1.0  召回率为： 1.0  F1分数为： 1.0
测试集中，第 4 类样本的精确率： 1.0  召回率为： 1.0  F1分数为： 1.0
测试集中，第 5 类样本的精确率： 1.0  召回率为： 1.0  F1分数为： 1.0
测试集中，第 6 类样本的精确率： 1.0  召回率为： 1.0  F1分数为： 1.0
测试集中，第 7 类样本的精确率： 1.0  召回率为： 1.0  F1分数为： 1.0
测试集中，第 8 类样本的精确率： 1.0  召回率为： 1.0  F1分数为： 1.0
测试集中，第 9 类样本的精确率： 1.0  召回率为： 1.0  F1分数为： 1.0

4、对比实验

       特征提取对比，分别采用1d-cnn、2d-cnn与融合CNN进行特征提取。模型更改极其方便。

       当然融合cnn++svm最好啦。就算其他方法效果好，也要调低【手动滑稽】

代码见评论区我的评论