轴承故障检测（分类任务）+傅里叶变化+CNN+matlab

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

matlab 复制代码

% 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 = 1:10
    sample_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:N
        start_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;
    end
    sample_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

matlab 复制代码

[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%

matlab 复制代码

% 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')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(3, 32, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(3, 64, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer
];
详情加Q 596520206 同样提供python版本