机械故障诊断及工业工程故障诊断若干例子（第3篇）

　　Pytorch环境下基于WDCNN的滚动轴承故障诊断
　　算法程序运行环境为Python，采用Pytorch深度学习模块，也可用于地震信号，机械振动信号，语音信号，声信号等一维时间序列信号。
　　算法程序对WDCNN进行了改进，搭建了卷积核大小逐层递减的一维卷积神经网络，并减少了卷积层数量，达到了98%以上的诊断准确率，同时有着较快的收敛速度。另外，针对时序信号的特点，将长短时记忆网络(LSTM)与搭建的一维卷积神经网络结合，提高分类准确率至99%以上，但收敛速度较单一的卷积神经网络较慢。
　　算法程序采用了重叠采样方法以增加训练数据数量，从原始信号进行采集训练样本时，每一段信号与其后一段信号之间存在一部分重叠，有效增加了数据数量，避免模型过拟合。
　　参考文献
　　张伟. 基于卷积神经网络的轴承故障诊断算法研究[D].哈尔滨工业大学,2017.
　　模块
　　import os
　　import numpy as np
　　import pandas as pd
　　import torch
　　from torch import nn, optim
　　from torch.utils.data import DataLoader, dataset, random_split
　　from matplotlib import pyplot as plt
　　import seaborn as sns
　　from fault_diag_utils import *
　　# from cnn_model import CNN as modle
　　from cnn_model import LSTM_CNN as modle
　　sns.set()
　　MATLAB环境下基于包络谱和谱峭度的滚动轴承故障诊断
　　算法程序主要讲解如何应用包络谱分析和谱峭度来诊断轴承故障，也可用于金融时间序列，地震信号，机械振动信号，语音信号，声信号等一维时间序列信号。
　　滚动轴承的局部故障可能发生在外圈、内圈、保持架或滚动体中。 当滚动体撞击外圈或内圈上的局部故障，或者滚动体上的故障撞击外圈或内圈时，轴承和传感器之间的高频共振会被激发。在时域中可视化原始内圈故障数据
　　在频域中可视化原始数据
　　放大低频范围内原始信号的功率谱，仔细观察 BPFI 的频率响应及其前几个谐波
　　计算原始信号的包络，并可视化。
　　计算包络信号的功率谱，并查看 BPFI 的频率响应及其谐波
　　MATLAB环境下基于振动信号的轴承状态监测和故障诊断
　　数据包含轴承不同运行工况的轴承多段振动信号（缺陷深度从 3um 逐渐增加到 3mm 以上），算法程序主要讲解如何从滚动轴承的振动信号中提取特征、进行状态监测和故障诊断，使用 Signal Processing Toolbox 和 System Identification Toolbox工具箱。
　　数据描述
　　加载振动信号，该振动信号是由滚动轴承外圈单点缺陷生成的，包含轴承不同运行工况的轴承多段振动信号（缺陷深度从 3um 逐渐增加到 3mm 以上），采样频率为 20 kHz。 轴承振动信号存储在.mat 中，defectDepthVec 存储缺陷深度随时间变化的信号，expTime 以分钟为单位存储相应的时间
　　Python环境下基于机器学习（决策树，随机森林，KNN和SVM）的轴承故障诊断
　　算法程序利用机器学习（决策树，随机森林，KNN和SVM）对轴承进行故障诊断，并利用网格搜索算法对机器学习进行调优，所用模块如下。import numpy as np  import pandas as pd  import seaborn as sns from pylab import rcParams import matplotlib.pyplot as plt import matplotlib as mpl from sklearn.preprocessing import OrdinalEncoder from sklearn.preprocessing import StandardScaler
　　代码所使用的数据非原始数据，是经过特征提取的，如下
　　代码生成的图片如下
　　MATLAB环境下基于最近邻算法KNN的旋转机械多传感器故障诊断
　　故障模式如下Fault 1: 轴承故障Bearing FaultFault 2: 齿轮啮合故障Gear MeshFault 3: 不平衡故障ImbalanceFault 4: 不对中故障MisalignmentFault 5: 共振故障Resonance
　　使用5个传感器测量振动数据，通过从原始（传感器）数据中提取信息特征，评估一个旋转机器的健康状态。
　　试验台如下
　　以上项目的代码可面包多找到
　　面包多代码
　　https://mbd.pub/o/GeBENHAGEN
　　此外，知乎付费咨询:哥廷根数学学派
　　擅长现代信号处理(改进小波分析系列，改进变分模态分解，改进经验小波变换，改进辛几何模态分解等等)，改进机器学习，改进深度学习，机械故障诊断，改进时间序列分析(金融信号，心电信号，振动信号等)