本文主要是介绍轴承故障检测(分类任务)+傅里叶变化+CNN+matlab,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
1 介绍
使用西储大学的轴承数据集,其实用哪个都行,可能最后的精度会不一样,先读取数据,然后使用傅里叶转换为图像,然后搭建cnn模型,将图像大小转换为模型使用的大小,例如resnet50,输入大小就是224*224。同样提供python版本。
2 数据处理
总共10个类别
对每个数据进行采样,设置2000个样本,每个样本取连续的300个点
% 采样,每个数据采集N条样本,每条样本M长度
M = 2000;
N = 300;
image_index = 1;
sample_all_data = zeros(3, N, M);
for i = 1:10sample_class_data = zeros(N, M);data = all_data{i};% 数据采样random_sequence = randperm(length(data) - M);selected_numbers = random_sequence(1:N);% 对于每个采样的数据,使用fft变换for j = 1:Nstart_index = selected_numbers(j);sample_data = data(start_index: start_index+M-1);sample_class_data(j,:) = sample_data;file_path = "images\" +num2str(i) +"\"+ num2str(image_index)+".jpg";% 进行fft变换process_data(sample_data, file_path)image_index = image_index + 1;endsample_all_data(i,:,:) = sample_class_data;
end
3 fft变换
使用matlab中的变换,转换为频谱图,然后保存,结果如下所示
[S, f, t] = spectrogram(sample_data);
4 cnn模型
搭建一个普通的模型就行,因为这个数据集识别准确率特别高,最后都能到100%
% 设置图像文件夹路径
data_folder = 'images';% 创建图像数据存储器
imds = imageDatastore(data_folder, ...'IncludeSubfolders', true, 'LabelSource', 'foldernames');
[train_imds, test_imds] = splitEachLabel(imds, 0.7, 'randomized');% 构建 CNN 模型
layers = [imageInputLayer([224 224 3])convolution2dLayer(3, 16, 'Padding', 'same')batchNormalizationLayerreluLayermaxPooling2dLayer(2, 'Stride', 2)convolution2dLayer(3, 32, 'Padding', 'same')batchNormalizationLayerreluLayermaxPooling2dLayer(2, 'Stride', 2)convolution2dLayer(3, 64, 'Padding', 'same')batchNormalizationLayerreluLayerfullyConnectedLayer(10)softmaxLayerclassificationLayer
];
详情加Q 596520206 同样提供python版本
这篇关于轴承故障检测(分类任务)+傅里叶变化+CNN+matlab的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!