目錄

一、研究思路

?1、基于小波時(shí)頻圖和CNN的滾軸故障診斷方法的研究思路如下：

二、數(shù)據(jù)集介紹與數(shù)據(jù)處理

? 1、數(shù)據(jù)集介紹

2、數(shù)據(jù)集分割與合并

3、數(shù)據(jù)集分析

三、小波時(shí)頻圖導(dǎo)出

四、CNN網(wǎng)絡(luò)的構(gòu)建和測(cè)試

1、CNN網(wǎng)絡(luò)構(gòu)建

?2、訓(xùn)練參數(shù)的優(yōu)化

4、訓(xùn)練結(jié)果

一、研究思路

?1、基于小波時(shí)頻圖和CNN的滾軸故障診斷方法的研究思路如下：

（1）信號(hào)采集系統(tǒng)通過軸承試驗(yàn)臺(tái)采集滾動(dòng)軸承在不同狀態(tài)下的振動(dòng)信號(hào)，并通過數(shù)據(jù)分割與合并? 構(gòu)造信號(hào)樣本集。

（2）對(duì)樣本集中的振動(dòng)信號(hào)進(jìn)行CWT，再生成于信號(hào)相對(duì)應(yīng)的時(shí)頻圖。

（3）建立CNN模型，選擇一定數(shù)量的特征圖作為訓(xùn)練樣本，對(duì)CNN進(jìn)行訓(xùn)練。

（4）將特征圖樣本集中的剩余樣本作為測(cè)試樣本，對(duì)訓(xùn)練好的CNN進(jìn)行測(cè)試。

二、數(shù)據(jù)集介紹與數(shù)據(jù)處理

? 1、數(shù)據(jù)集介紹

? ? ? ?振動(dòng)數(shù)據(jù)來源于美國(guó)凱斯西儲(chǔ)大學(xué)的開發(fā)數(shù)據(jù)集。軸承試驗(yàn)裝置的示意圖如圖1-1所示。平臺(tái)組成：一個(gè)1.5KW（2馬力）的電動(dòng)機(jī)（圖左側(cè)）；一個(gè)扭矩傳感器/ 譯碼器（圖中間連接處）；一個(gè)功率測(cè)試計(jì)（圖右側(cè)）；驅(qū)動(dòng)端軸承為SKF6205 ，采樣頻率為12Khz和48Khz；電子控制器(圖中沒顯示) 。軸承試驗(yàn)裝置的示意圖如圖1-1所示。平臺(tái)組成：一個(gè)1.5KW（2馬力）的電動(dòng)機(jī)（圖左側(cè)）；一個(gè)扭矩傳感器/ 譯碼器（圖中間連接處）；一個(gè)功率測(cè)試計(jì)（圖右側(cè)）；驅(qū)動(dòng)端軸承為SKF6205 ，采樣頻率為12Khz和48Khz；電子控制器(圖中沒顯示) 。

圖1-1 軸承試驗(yàn)裝置示意圖

DE - drive end accelerometer data 驅(qū)動(dòng)端加速度數(shù)據(jù)；

FE - fan end accelerometer data 風(fēng)扇端加速度數(shù)據(jù)；

BA - base accelerometer data 基座加速度數(shù)據(jù)（正常）；

time - time series data 時(shí)間序列數(shù)據(jù)；

RPM- rpm during testing 轉(zhuǎn)每分鐘，除以60為旋轉(zhuǎn)頻率；

B -滾動(dòng)體故障；IR – 內(nèi)圈故障；OR –外圈故障；

驅(qū)動(dòng)端和風(fēng)扇端軸承外圈的損傷點(diǎn)分別放置在3點(diǎn)鐘、6點(diǎn)鐘、12點(diǎn)鐘三個(gè)不同位置。

數(shù)據(jù)文件為Matlab格式。每個(gè)文件包含風(fēng)扇和驅(qū)動(dòng)端振動(dòng)數(shù)據(jù)，以及電機(jī)轉(zhuǎn)速。

? ? ? 12k_Fan_End_OR007@6_3_297.mat這個(gè)是12KHZ采樣頻率下驅(qū)動(dòng)端外圈故障、@6是外圈的損傷點(diǎn)在6點(diǎn)鐘位置、3代表電機(jī)載荷模式、297是編號(hào)。數(shù)據(jù)集由12kHz采樣率下電機(jī)端軸承的故障數(shù)據(jù)（DE）60個(gè)、12kHz采樣率下風(fēng)扇端軸承的故障數(shù)據(jù)（FE）45個(gè)、48kHz采樣率下電機(jī)端軸承的故障數(shù)據(jù)（DE）52個(gè)，還有正常運(yùn)轉(zhuǎn)的軸承數(shù)據(jù)4個(gè)組成。

圖1-2 ?12k驅(qū)動(dòng)端故障數(shù)據(jù)列表

? ? ? ?如圖1-2所示，左邊第一列是4種故障尺寸，由于第4種故障缺少外圈故障，所以一般選取前3種尺寸。這樣的話內(nèi)圈、滾動(dòng)體、外圈3種故障就有3*3也就是9種故障分類，再加上正常狀態(tài)就是最常見的10分類方式。如果不考慮故障尺寸進(jìn)行4分類的比較少見，主要是這樣的話難度降低不少，結(jié)果提升的空間不大，畢竟10分類也沒有很麻煩，而且10分類可以直接根據(jù)文件來創(chuàng)建數(shù)據(jù)集，不用進(jìn)行數(shù)據(jù)集的合并。外圈故障分為3種，這里我只取取6點(diǎn)鐘的，因?yàn)椴煌较虻牟町悤r(shí)間上并不大，進(jìn)行區(qū)分也沒有那么多必要性。

2、數(shù)據(jù)集分割與合并

? ? ? 將采集到的振動(dòng)信號(hào)進(jìn)行分割，每個(gè)樣本包含1024個(gè)采樣點(diǎn)。每種工況下正常狀態(tài)的樣本為350個(gè)，不同故障類型下，不同損傷大小及不同工況的樣本為117個(gè)，最后得到正常狀態(tài)和三種故障狀態(tài)的樣本各1400個(gè)。

表2-1是軸承不同狀態(tài)的信號(hào)樣本列表。

表2-1 ?軸承不同狀態(tài)的信號(hào)樣本列表

? ? ? ?表2-1是我選取論文里的信號(hào)樣本。這里3個(gè)損傷尺寸、3種故障類型。一共3*3=9種故障類型，加上正常，一共10種。4種負(fù)載狀態(tài)，4*10=40。這還不算外圈故障里面損傷點(diǎn)在不同位置的情況。

? ? ? ?這里分類選擇可以選擇4分類。即正常信號(hào)、滾動(dòng)體故障、內(nèi)圈故障、外圈故障。

? ? ? ?從分類講，我找相關(guān)的論文大多數(shù)是用10分類。因?yàn)?分類的指標(biāo)普遍都太好了，做的人確實(shí)也較少，但是實(shí)際操作起來也不會(huì)簡(jiǎn)單多少。從工程上講，區(qū)分故障種類的同時(shí)我們肯定更希望知道故障的大致嚴(yán)重程度，所以我又做了一個(gè)10分類的程序。

表2-2 ?不同故障樣本的數(shù)量及標(biāo)簽配置

圖2-1 不同故障樣本的數(shù)量及標(biāo)簽配置

這里選取出的數(shù)據(jù)集一共是5600個(gè)（訓(xùn)練：3600，測(cè)試：2000），每一類是1400個(gè)（訓(xùn)練：900，測(cè)試：500），訓(xùn)練集和測(cè)試集的比例大約是0.6428：0.3572。

3、數(shù)據(jù)集分析

時(shí)域分析：在相關(guān)論文中，以時(shí)域分析作為輸入的較多。時(shí)域分析中處理起來也很簡(jiǎn)單，編程容易。

頻域分析：頻域數(shù)據(jù)的優(yōu)點(diǎn)就是提取了頻域信息，特征明顯。因?yàn)槭茄芯啃盘?hào)，還是頻域圖更加直觀，傳統(tǒng)的方法里故障頻率是至關(guān)重? 要的指標(biāo)，而且我們數(shù)字信號(hào)處理的重點(diǎn)也是頻域的內(nèi)容，但是頻域數(shù)據(jù)丟失了時(shí)間特征。

時(shí)頻圖分析：通過小波變換或者短時(shí)傅里葉變換形成時(shí)頻圖，將圖片作為輸入。這里的輸入信號(hào)是圖像。缺點(diǎn)就是數(shù)據(jù)量大，處理起來? 有點(diǎn)慢。這篇論文使用的是連續(xù)小波時(shí)頻圖，我用程序來對(duì)比一下不同數(shù)據(jù)的差別。

圖2-2 不同故障信號(hào)進(jìn)行時(shí)域和頻域分析對(duì)比

?

圖2-3 不同故障信號(hào)進(jìn)行時(shí)頻圖對(duì)比

采用cmor3－3小波基對(duì)軸承樣本數(shù)據(jù)集中的信號(hào)進(jìn)行CWT，生成時(shí)頻圖。以圖2-2的第一列4個(gè)信號(hào)為例，其時(shí)頻圖如圖2-3第一列所示。

matlab的數(shù)據(jù)分析部分代碼

%% 加載原始數(shù)據(jù)
load 0/12k_Drive_End_B007_0_118;      %讀取數(shù)據(jù)集
a1=X118_DE_time';
load 0/12k_Drive_End_IR007_0_105;   
a2=X105_DE_time';   
load 0/12k_Drive_End_OR007@6_0_130;
a3=X130_DE_time';   
load 0/normal_0_97;
a0=X097_DE_time';%10

L=1024;                                %取數(shù)據(jù)集里的樣本長(zhǎng)度為L(zhǎng)=864

data0=[]
start_point=randi(length(a0)-L);     %隨機(jī)取一個(gè)起點(diǎn)
end_point=start_point+L-1;
s0=[data0 ;a0(start_point:end_point)];

data1=[]
start_point=randi(length(a1)-L);     %隨機(jī)取一個(gè)起點(diǎn)
end_point=start_point+L-1;
s1=[data1 ;a1(start_point:end_point)];

data2=[]
start_point=randi(length(a2)-L);     %隨機(jī)取一個(gè)起點(diǎn)
end_point=start_point+L-1;
s2=[data2 ;a2(start_point:end_point)];

data3=[]
start_point=randi(length(a3)-L);     %隨機(jī)取一個(gè)起點(diǎn)
end_point=start_point+L-1;
s3=[data3 ;a3(start_point:end_point)];

fs=48000;
y0=fft(s0,length(s0));
f0=fs*(0:length(s0)-1)/length(s0);
y0=fft(s0,length(s0));
t0=0:1/fs:length(s0)/fs;

y1=fft(s1,length(s1));
f1=fs*(0:length(s1)-1)/length(s1);
y1=fft(s1,length(s1));
t1=0:1/fs:length(s1)/fs;

y2=fft(s2,length(s2));
f2=fs*(0:length(s2)-1)/length(s2);
y2=fft(s2,length(s2));
t2=0:1/fs:length(s2)/fs;

y3=fft(s3,length(s3));
f3=fs*(0:length(s3)-1)/length(s3);
y3=fft(s3,length(s3));
t3=0:1/fs:length(s3)/fs;

%繪制時(shí)域圖
%--------------------------------------------
subplot(421);
plot(s0);
title('正常信號(hào)時(shí)域圖');xlabel('時(shí)間/S');ylabel('幅度');
%繪制頻譜響應(yīng)圖
%--------------------------------------------
subplot(422);
plot(f0,abs(y0));title('正常信號(hào)頻譜');xlabel('頻率/HZ');ylabel('幅度/dB');
%--------------------------------------------
subplot(423);
plot(s1);
title('B故障信號(hào)時(shí)域圖');xlabel('時(shí)間/S');ylabel('幅度');
%繪制頻譜響應(yīng)圖
%--------------------------------------------
subplot(424);
plot(f1,abs(y1));title('B0故障信號(hào)頻譜');xlabel('頻率/HZ');ylabel('幅度/dB');
%--------------------------------------------
subplot(425);
plot(s2);
title('IR故障信號(hào)時(shí)域圖');xlabel('時(shí)間/S');ylabel('幅度');
%繪制頻譜響應(yīng)圖
%--------------------------------------------
subplot(426);
plot(f2,abs(y2));title('IR故障信號(hào)頻譜');xlabel('頻率/HZ');ylabel('幅度/dB');
%--------------------------------------------
subplot(427);
plot(s3);
title('OR故障信號(hào)時(shí)域圖');xlabel('時(shí)間/S');ylabel('幅度');
%繪制頻譜響應(yīng)圖
%--------------------------------------------
subplot(428);
plot(f3,abs(y3));title('OR故障信號(hào)頻譜');xlabel('頻率/HZ');ylabel('幅度/dB');


N=1024;
fs=12000;
t=0:1/fs:N/fs;
%% 各種變換時(shí)頻圖
wavename='cmor3-3';%cmor是復(fù)Morlet小波，其中3－3表示Fb－Fc，F(xiàn)b是帶寬參數(shù)，F(xiàn)c是小波中心頻率。
totalscal=256;
Fc=centfrq(wavename); % 小波的中心頻率
c=2*Fc*totalscal;
scals=c./(1:totalscal);
f=scal2frq(scals,wavename,1/fs); % 將尺度轉(zhuǎn)換為頻率
coefs0=cwt(s0,scals,wavename); % 求連續(xù)小波系數(shù)
coefs1=cwt(s1,scals,wavename); % 求連續(xù)小波系數(shù)
coefs2=cwt(s2,scals,wavename); % 求連續(xù)小波系數(shù)
coefs3=cwt(s3,scals,wavename); % 求連續(xù)小波系數(shù)

figure
subplot(4,3,1)
imagesc(t,f,abs(coefs0)/max(max(abs(coefs0))));
set(gca,'YDir','normal')
colorbar;
xlabel('時(shí)間 t/s');ylabel('頻率 f/Hz');title('正常小波時(shí)頻圖');

subplot(4,3,4)
imagesc(t,f,abs(coefs1)/max(max(abs(coefs1))));
set(gca,'YDir','normal')
colorbar;
xlabel('時(shí)間 t/s');ylabel('頻率 f/Hz');title('B故障小波時(shí)頻圖');

subplot(4,3,7)
imagesc(t,f,abs(coefs2)/max(max(abs(coefs2))));
set(gca,'YDir','normal')
colorbar;
xlabel('時(shí)間 t/s');ylabel('頻率 f/Hz');title('IR故障小波時(shí)頻圖');

subplot(4,3,10)
imagesc(t,f,abs(coefs3)/max(max(abs(coefs3))));
set(gca,'YDir','normal')
colorbar;
xlabel('時(shí)間 t/s');ylabel('頻率 f/Hz');title('OR故障小波時(shí)頻圖');

% 短時(shí)傅里葉變換時(shí)頻圖
% spectrogram(s,256,250,256,fs);
% 時(shí)頻分析工具箱里的短時(shí)傅里葉變換
f = 0:fs/2;
[tfr,t,f] = tfrstft(s0');
tfr = tfr(1:floor(length(s0)/2), :);
subplot(4,3,2)
imagesc(t, f, abs(tfr)/max(max(abs(tfr))));%得到一個(gè)彩色圖像
set(gca,'YDir','normal')
colorbar;
xlabel('時(shí)間 t/s');ylabel('頻率 f/Hz');title('正常短時(shí)傅里葉變換時(shí)頻圖');
%st
[st_fre,st_times,st_frequencies] = st(s0,4);
subplot(4,3,3)
imagesc(t,f,abs(st_fre)/max(max(abs(st_fre))));
set(gca,'YDir','normal')
colorbar;
xlabel('時(shí)間 t/s');ylabel('頻率 f/Hz');title('正常廣義S變換時(shí)頻圖');
%%%%%%%%%%%%%%%%%%%%
f = 0:fs/2;
[tfr,t,f] = tfrstft(s1');
tfr = tfr(1:floor(length(s1)/2), :);
subplot(4,3,5)
imagesc(t, f, abs(tfr)/max(max(abs(tfr))));
set(gca,'YDir','normal')
colorbar;
xlabel('時(shí)間 t/s');ylabel('頻率 f/Hz');title('B故障短時(shí)傅里葉變換時(shí)頻圖');
%st
[st_fre,st_times,st_frequencies] = st(s1,4);
subplot(4,3,6)
imagesc(t,f,abs(st_fre)/max(max(abs(st_fre))));
set(gca,'YDir','normal')
colorbar;
xlabel('時(shí)間 t/s');ylabel('頻率 f/Hz');title('B故障廣義S變換時(shí)頻圖');
%%%%%%%%%%%%%%%%%%%%
f = 0:fs/2;
[tfr,t,f] = tfrstft(s2');
tfr = tfr(1:floor(length(s2)/2), :);
subplot(4,3,8)
imagesc(t, f, abs(tfr)/max(max(abs(tfr))));
set(gca,'YDir','normal')
colorbar;
xlabel('時(shí)間 t/s');ylabel('頻率 f/Hz');title('IR故障短時(shí)傅里葉變換時(shí)頻圖');
%st
[st_fre,st_times,st_frequencies] = st(s2,4);
subplot(4,3,9)
imagesc(t,f,abs(st_fre)/max(max(abs(st_fre))));
set(gca,'YDir','normal')
colorbar;
xlabel('時(shí)間 t/s');ylabel('頻率 f/Hz');title('IR故障廣義S變換時(shí)頻圖');
%%%%%%%%%%%%%%%%%%%%
f = 0:fs/2;
[tfr,t,f] = tfrstft(s3');
tfr = tfr(1:floor(length(s3)/2), :);
subplot(4,3,11)
imagesc(t, f, abs(tfr)/max(max(abs(tfr))));
set(gca,'YDir','normal')
colorbar;
xlabel('時(shí)間 t/s');ylabel('頻率 f/Hz');title('OR故障短時(shí)傅里葉變換時(shí)頻圖');
%st
[st_fre,st_times,st_frequencies] = st(s3,4);
subplot(4,3,12)
imagesc(t,f,abs(st_fre)/max(max(abs(st_fre))));
set(gca,'YDir','normal')
colorbar;
xlabel('時(shí)間 t/s');ylabel('頻率 f/Hz');title('OR故障廣義S變換時(shí)頻圖');

三、小波時(shí)頻圖導(dǎo)出

把訓(xùn)練集用連續(xù)小波變換轉(zhuǎn)換成時(shí)頻圖，對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行小波時(shí)頻提取，并保存在對(duì)應(yīng)的文件夾下 ??

小波時(shí)頻圖_mat/test_img/“個(gè)數(shù)”-“類型”.jpg

小波時(shí)頻圖_mat/test_img/“個(gè)數(shù)”-“類型”.jpg

這里要注意我用MATLAB導(dǎo)出時(shí)因?yàn)闃颖居?600個(gè)，所以速度很慢，用Python導(dǎo)出時(shí)速度就會(huì)快一些，但是Python是從0開始的，不管是“個(gè)數(shù)”還是“類型”，而MATLAB是從1開始。

python的部分代碼

import pywt
import matplotlib.pyplot as plt
import numpy as np
from data_preprocess import prepro

path = '0'
x_train, y_train, x_test, y_test = prepro(
    d_path=path,
    length=1024,
    number=100,
    normal=True,
    rate=[0.7,  0.3],
    enc=False, enc_step=28)

for i in range(0, len(x_train)):
    N = 1024
    fs = 12000
    t = np.linspace(0, N/fs, N, endpoint=False)
    wavename = 'cmor3-3'
    totalscal = 256
    fc = pywt.central_frequency(wavename)
    cparam = 2 * fc * totalscal
    scales = cparam / np.arange(totalscal, 1, -1)
    [cwtmatr, frequencies] = pywt.cwt(x_train[i], scales, wavename, 1.0 / fs)
    plt.contourf(t, frequencies, abs(cwtmatr))

    plt.axis('off')
    plt.gcf().set_size_inches(875/96, 656/96)
    plt.gca().xaxis.set_major_locator(plt.NullLocator())
    plt.gca().yaxis.set_major_locator(plt.NullLocator())
    plt.subplots_adjust(top=1, bottom=0, right=1, left=0, hspace=0, wspace=0)
    plt.margins(0, 0)
    plt.savefig('./小波時(shí)頻圖 py/train_img/' + str(i) + '-' + str(y_train[i]) + '.jpg')
    plt.clf()  #避免內(nèi)存溢出 
    plt.close() #釋放內(nèi)存
    
for i in range(0, len(x_test)):
    N = 1024
    fs = 12000
    t = np.linspace(0, N/fs, N, endpoint=False)
    wavename = 'cmor3-3'
    totalscal = 256
    fc = pywt.central_frequency(wavename)
    cparam = 2 * fc * totalscal
    scales = cparam / np.arange(totalscal, 1, -1)
    [cwtmatr, frequencies] = pywt.cwt(x_test[i], scales, wavename, 1.0 / fs)
    plt.contourf(t, frequencies, abs(cwtmatr))

    plt.axis('off')
    plt.gcf().set_size_inches(875/96, 656/96)  #設(shè)置圖片大小以英尺為單位
    plt.gca().xaxis.set_major_locator(plt.NullLocator())
    plt.gca().yaxis.set_major_locator(plt.NullLocator())
    plt.subplots_adjust(top=1, bottom=0, right=1, left=0, hspace=0, wspace=0)  #去除邊緣
    plt.margins(0, 0)
    plt.savefig('./小波時(shí)頻圖 py/test_img/' + str(i) + '-' + str(y_test[i]) + '.jpg')
    plt.clf()  #避免內(nèi)存溢出 
    plt.close() #釋放內(nèi)存

四、CNN網(wǎng)絡(luò)的構(gòu)建和測(cè)試

1、CNN網(wǎng)絡(luò)構(gòu)建

CNN網(wǎng)絡(luò)一共有5個(gè)層級(jí)結(jié)構(gòu)：輸入層、卷積層、激勵(lì)層、池化層、全連接FC層。論文中的采樣層即池化層。

1.輸入層：與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)/機(jī)器學(xué)習(xí)一樣，模型需要輸入的進(jìn)行預(yù)處理操作。即第二部分?jǐn)?shù)據(jù)處理。

2.卷積層：找出圖像中的某些特征與過濾器(Filter)進(jìn)行過濾，過濾的過程就是求卷積的過程。這里過濾器就是卷積核。

3.激勵(lì)層：所謂激勵(lì)，實(shí)際上是對(duì)卷積層的輸出結(jié)果做一次非線性映射。Sigmoid函數(shù)、Tanh函數(shù)、ReLU、Leaky ReLU、ELU、Maxout。

4.池化層：池化（Pooling）也稱為欠采樣或下采樣。主要用于特征降維，壓縮數(shù)據(jù)和參數(shù)的數(shù)量，減小過擬合，同時(shí)提高模型的容錯(cuò)性。

5.輸出層（全連接層）：經(jīng)過前面若干次卷積+激勵(lì)+池化后，終于來到了輸出層，模型會(huì)將學(xué)到的一個(gè)高質(zhì)量的特征圖片全連接層。其實(shí)在全連接層之前，如果神經(jīng)元數(shù)目過大，學(xué)習(xí)能力強(qiáng)，有可能出現(xiàn)過擬合。

這里我們通過不同圖片的命名來區(qū)分標(biāo)簽：x_1.jpg是正常狀態(tài)，x_2.jpg是內(nèi)圈故障，x_3.jpg是滾動(dòng)體故障，x_4.jpg是外圈故障。

輸入特征圖的大小為28×28（同時(shí)用64×64對(duì)比）; 隱層由兩層卷積層和兩層采樣層交替組成，第一層和第二層卷積層的卷積核個(gè)數(shù)分別為6和12，卷積核的大小取為5 ×5，激活函數(shù)選擇 sigmoid 函數(shù); 采樣層（池化層）的采樣方式選擇均值采樣，即對(duì)特征圖求其p × p區(qū)域內(nèi)的平均值，區(qū)域大小取2×2且區(qū)域不重疊; 分類器選擇softmax 分類器。

網(wǎng)絡(luò)結(jié)構(gòu)圖3-1。

圖3-1 ?CNN網(wǎng)絡(luò)結(jié)構(gòu)

?2、訓(xùn)練參數(shù)的優(yōu)化

采用學(xué)習(xí)率自適應(yīng)調(diào)整、以訓(xùn)練誤差作ρ為停止條件的方法對(duì)網(wǎng)絡(luò)作進(jìn)一步優(yōu)化，具體方法如下: 初始學(xué)習(xí)率設(shè)定為0.009，最小學(xué)習(xí)率設(shè)定為0.6，每迭代五次就調(diào)整一次學(xué)習(xí)率，學(xué)習(xí)率的衰減因子設(shè)定為0.97。

如果我們直接用默認(rèn)的學(xué)習(xí)率（0.001）和ReLU激活函數(shù)效果會(huì)更好，收斂的更快。

4、訓(xùn)練結(jié)果

圖3-2 ?訓(xùn)練過程的準(zhǔn)確率和誤差曲線

這里我們發(fā)現(xiàn)第二個(gè)圖的收斂比第一個(gè)圖慢，所以第一個(gè)圖的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)更優(yōu)，第一個(gè)圖輸入層28*28 ，第一層和第二層卷積層的卷積核個(gè)數(shù)分別為6 和12，卷積核的大小取為 5 × 5，激活函數(shù)選擇 sigmoid 函數(shù)。

圖3-3 ?測(cè)試混淆矩陣

注意matlab版本要有深度學(xué)習(xí)工具箱，我的是2022a版本，python要用tensorflow2.6

代碼下載鏈接：

matlab版：??正在為您運(yùn)送作品詳情

python版：??正在為您運(yùn)送作品詳情文章來源地址http://www.zghlxwxcb.cn/news/detail-418604.html

到了這里，關(guān)于基于小波時(shí)頻圖和2D-CNN的滾動(dòng)軸承故障檢測(cè)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！