基于时域特征和频域特征组合的敏感特征集，再利用CNN进行轴承故障诊断(python编程)

1.文件夹介绍（使用的是CWRU数据集）

0HP-3HP四个文件夹装载不同工况下的内圈故障、外圈故障、滚动体故障和正常轴承数据。

2.模型

按照1024的长度分割样本，构建内圈故障、外圈故障、滚动体故障和正常轴承样本集

2.1.计算11种时域特征值

# 计算时域特征 def calculate_time_domain_features(signal): features = [] # 均值 features.append(np.mean(signal)) # 标准差 features.append(np.std(signal)) # 方根幅值 features.append(np.sqrt(np.mean(np.square(signal)))) # 均方根值 features.append(np.sqrt(np.mean(np.square(signal)))) # 峰值 features.append(np.max(signal)) # 波形指标 features.append(np.mean(np.abs(signal)) / np.sqrt(np.mean(np.square(signal)))) # 峰值指标 features.append(np.max(np.abs(signal)) / np.mean(np.abs(signal))) # 脉冲指标 features.append(np.max(np.abs(signal))) # 裕度指标 features.append(np.max(np.abs(signal)) / np.sqrt(np.mean(np.square(signal)))) # 偏斜度 features.append(skew(signal)) # 峭度 features.append(kurtosis(signal)) return features

2.2.计算12种频域特征值

# 计算频域特征 def calculate_frequency_domain_features(signal, sample_rate): features = [] # 快速傅里叶变换 spectrum = fft(signal) spectrum = np.abs(spectrum)[:len(spectrum)//2] # 取一半频谱 #频域指标1 features.append(np.mean(spectrum)) # 频域指标2 features.append(np.var(spectrum)) # 频域指标3 features.append(np.sqrt(np.mean(np.square(spectrum)))) # 频域指标4 features.append(np.max(spectrum) / np.sqrt(np.mean(np.square(spectrum)))) # 频域指标5 features.append(kurtosis(spectrum)) # 频域指标6 features.append(skew(spectrum)) # 频域指标7 features.append(np.max(spectrum)) # 频域指标8 features.append(np.min(spectrum)) # 频域指标9 features.append(np.max(spectrum) - np.min(spectrum)) # 频域指标10 features.append(np.max(np.abs(spectrum)) / np.mean(np.abs(spectrum))) # 频域指标11 features.append(np.max(np.abs(spectrum)) / np.sqrt(np.mean(np.square(spectrum)))) # 频域指标12 peak_index = np.argmax(spectrum) peak_frequency = peak_index * sample_rate / len(spectrum) features.append(peak_frequency) return features

2.3.构建评价指标，从时域和频域一共23个指标中选出对故障特征最敏感的前4个特征，这里用的是方差评价指标，也可以选用其它的评价指标

# 选择前4个敏感特征 import numpy as np from sklearn.model_selection import train_test_split # 将特征集转换为NumPy数组 feature_set = np.array(feature_set) # 计算评价指标（这里以方差为例） scores = np.var(feature_set, axis=0) # 选出最敏感的4个特征 selected_indices = np.argsort(scores)[-4:] selected_features = feature_set[:, selected_indices]

最后选出 的敏感特征集

2.4.将每个样本的这4个特征输入CNN模型进行分类（也可以输入给SVM或KNN等分类器）

3.效果

0HP数据集

1HP数据集

2HP数据集

3HP数据集

总的代码和数据集放在了压缩包里

plt.rcParams['font.size'] = 25 # 绘制损失曲线 plt.figure(figsize=(10, 8)) plt.plot(train_loss, label='训练集损失') plt.plot(test_loss, label='测试集损失') plt.xlabel('迭代次数') plt.ylabel('损失') plt.title('1HP训练集与测试集损失') plt.legend() plt.savefig('0.png', dpi=600,bbox_inches = "tight") plt.show() # 绘制准确率曲线 plt.figure(figsize=(10, 8)) plt.plot(train_accuracy, label='训练集准确率') plt.plot(test_accuracy, label='测试集准确率') plt.xlabel('迭代次数') plt.ylabel('准确率') plt.title('1HP训练集与测试集准确率') plt.legend() plt.savefig('1.png', dpi=600,bbox_inches = "tight") plt.show() #可以关注：https://mbd.pub/o/bread/ZJuXmZtt