基于深度学习的故障诊断入门示例，包括数据预处理、模型搭建、模型训练

## 基于深度学习的故障诊断 ### 第一章：安装以及环境配置 #### 1.Pycharm安装 ``` 官网: https://www.jetbrains.com/pycharm/ ``` #### 2.Anaconda安装与配置 ``` 官网：https://www.anaconda.com/download#downloads 配置环境变量（按照自己的安装路径进行配置即可） D:\software\anaconda\install D:\software\anaconda\install\Scripts D:\software\anaconda\install\Library\bin D:\software\anaconda\install\Library\mingw-w64\bin ``` #### 3.Tensorflow安装 ``` 官网：https://tensorflow.google.cn/?hl=zh-cn 创建深度学习环境并命名为tf2，指定python版本为3.11: conda create --name tf2 python=3.11 Anaconda激活tf2环境: conda activate tf2 Anaconda退出激活环境: conda deactivate 安装Tensorflow并指定版本为2.15，使用豆瓣源进行加速 pip install tensorflow==2.15.0 -i https://pypi.douban.com/simple/ 安装scikit-learn，使用豆瓣源进行加速 pip install scikit-learn -i https://pypi.douban.com/simple/ ``` ### 第二章：代码讲解与运行调试 #### 0.数据集说明 ``` 凯斯西楚大学轴承数据集官网： https://engineering.case.edu/bearingdatacenter/download-data-file 数据集说明(翻译于官网数据集说明)： 收集了正常轴承、单点驱动端和风扇端缺陷的数据。驱动端轴承实验以12000个样本/秒和48000个样本/秒的速度采集数据。所有风机端轴承数据以12000个样本/秒的速度采集。 数据文件为Matlab格式。每个文件包含风扇和驱动端振动数据以及电机转速。对于所有文件，变量名中的以下项表示: 数据集包括： (1)正常基线数据 (2)12k驱动端轴承故障数据 (3)48k传动端轴承故障数据 (4)风机端轴承故障数据 实验数据集仅使用12k驱动端轴承故障数据，其余数据集预处理与实验数据预处理一致。 ``` #### 1.基于卷积神经网络的故障诊断（1DCNN、2DCNN） ``` 文件夹说明： data：数据集存放路径 save_picture/1DCNN:存放1DCNN的图片 save_picture/2DCNN:存放2DCNN的图片 model/1DCNN.h5: 保存的1DCNN模型文件 model/2DCNN.h5: 保存的2DCNN模型文件 code/1DCNN.py: 1DCNN代码运行文件 code/2DCNN.py: 2DCNN代码运行文件 code/preprocessing.py: 数据预处理文件 ``` #### 2.基于卷积与循环神经网络的故障诊断(1DCNN-LSTM、1DCNN-GRU、2DCNN-LSTM、2DCNN-GRU) ``` 文件夹说明： data：数据集存放路径 save_picture/1DCNN_GRU:存放1DCNN_GRU的图片 save_picture/1DCNN_LSTM:存放1DCNN_LSTM的图片 save_picture/2DCNN_GRU:存放2DCNN_GRU的图片 save_picture/2DCNN_LSTM:存放2DCNN_LSTM的图片 model/1DCNN_GRU.h5: 保存的1DCNN_GRU模型文件 model/1DCNN_LSTM.h5: 保存的1DCNN_LSTM模型文件 model/2DCNN_GRU.h5: 保存的2DCNN_GRU模型文件 model/2DCNN_LSTM.h5: 保存的2DCNN_LSTM模型文件 code/1DCNN_GRU.py: 1DCNN_GRU代码运行文件 code/1DCNN_LSTM.py: 1DCNN_LSTM代码运行文件 code/2DCNN_GRU.py: 2DCNN_GRU代码运行文件 code/2DCNN_LSTM.py: 2DCNN_LSTM代码运行文件 code/preprocessing.py: 数据预处理文件 ``` #### 3.基于卷积与连续小波变换的故障诊断(1DCNN-CWT、2DCNN-CWT) ``` 1.运行时注意事项：对于pywt库的安装，应使用： pip install PyWavelets -i https://pypi.douban.com/simple/ 2.首先在创建cwt_picture-train-valid-test文件夹，并运行sign_cwt文件，在train、valid、test文件夹生成相应的连续小波变换的图片后，再运行1DCNN_CWT/2DCNN_CWT进行分类实验 文件夹说明： data：数据集存放路径 cwt_picture/train: 存放训练集的连续小波图片 cwt_picture/test: 存放测试集的连续小波图片 cwt_picture/valid: 存放验证集的连续小波图片 save_picture/1DCNN_CWT:存放1DCNN_CWT的图片 save_picture/2DCNN_CWT:存放2DCNN_CWT的图片 model/1DCNN_CWT.h5: 保存的1DCNN_CWT模型文件 model/2DCNN_CWT.h5: 保存的2DCNN_CWT模型文件 code/1DCNN_CWT.py: 1DCNN_CWT代码运行文件 code/2DCNN_CWT.py: 2DCNN_CWT代码运行文件 code/gen_cwt_pic.py: 生成连续小波变换图片代码运行文件 code/read_picture.py: 读取连续小波图片代码运行文件 code/preprocessing.py: 数据预处理文件 ``` #### 4.基于特征融合的故障诊断（SIGN-FFT） ``` 文件夹说明： data：数据集存放路径 save_picture/1DCNN_SIGN_FFT:存放1DCNN_SIGN_FFT的图片 model/1DCNN_SIGN_FFT.h5: 保存的1DCNN_SIGN_FFT模型文件 code/1DCNN_SIGN_FFT.py: 1DCNN_SIGN_FFT代码运行文件 code/preprocessing.py: 数据预处理文件 ``` #### 5.基于抗噪方法的故障诊断（1DCNN、2DCNN-DRSN、1DCNN-SVD） ``` 文件夹说明： data：数据集存放路径 save_picture/1DCNN:存放1DCNN的图片 save_picture/1DCNN_SVD:存放1DCNN_SVD的图片 save_picture/2DCNN_DRSN:存放2DCNN_DRSN的图片 model/1DCNN.h5: 保存的1DCNN模型文件 model/1DCNN_SVD.h5: 保存的1DCNN_SVD模型文件 model/2DCNN_DRSN.h5: 保存的2DCNN_DRSN模型文件 code/1DCNN.py: 1DCNN代码运行文件 code/1DCNN_SVD.py: 1DCNN_SVD代码运行文件 code/2DCNN_DRSN.py: 2DCNN_DRSN代码运行文件 code/plot_svd.py: 因为可能需要图片，就可视化一条样本，用于样本分析 code/preprocessing.py: 数据预处理文件 ``` #### 6.基于迁移学习的故障诊断（模型） ``` 文件夹说明： data：数据集存放路径 save_picture/1DCNN_Transfer:存放1DCNN_Transfer迁移的图片 model/1DCNN_Transfer.h5: 保存的1DCNN_Transfer模型文件 code/1DCNN_Transfer.py: 1DCNN_Transfer代码运行文件 code/preprocessing.py: 数据预处理文件 ``` #### 7.基于通用模型代码的故障诊断（GRU、Inception、LSTM、RandomForest、SVM） ``` 文件夹说明： data：数据集存放路径 save_picture/GRU:存放GRU的图片 save_picture/Inception:存放Inception的图片 save_picture/LSTM:存放LSTM的图片 model/GRU.h5: 保存的GRU模型文件 model/Inception.h5: 保存的Inception模型文件 model/LSTM.h5: 保存的LSTM模型文件 code/preprocessing.py: 数据预处理文件 code/GRU.py: GRU代码运行文件 code/Inception.py: Inception代码运行文件 code/LSTM.py: LSTM代码运行文件 code/RandomForest.py: RandomForest代码运行文件 code/SVM.py: SVM代码运行文件 ```