。前言
现如今，大家为了找创新点发个小论文，也真是煞费苦心！各大博主推出的很多算法层出不穷，各式各样的组合真是看花了眼！但有时也不能为了创新而创新，效果好才是真的好！
本期推出一种《基于STFT-SWT-双流CNN-SVM的小样本轴承故障诊断方法 》，首先利用短时傅里叶变换和同步压缩小波变换两大方法的互补性，同时对轴承数据进行特征提取，然后将提取的特征采用双流CNN-SVM模型实现故障诊断。实验表明，在每种类型故障样本量仅为20的小样本情况下，本文提出的模型仍有较高的精度。实现了小样本轴承故障诊断方法。
此方法为作者独创，不要问，问就是肯定没有人发过！
STFT：短时傅里叶变换(short-time Fourier transform，STFT)
SWT：同步压缩小波变换(Synchrosqueezed Wavelet Transform, SWT)
现在网上已有关于STFT-CNN的故障诊断文献：
[1]余传粮,梁睿君,冉文丰,等.基于STFT和CNN的齿轮箱故障诊断[J].机械制造与自动化,2022,51(03):152-154+195.DOI:10.19344/j.cnki.issn1671-5276.2022.03.037.
也有关于SWT-CNN的故障诊断文献：
[1]唐纪凯,卢一相,柏壮壮,等.基于同步压缩小波变换和CNN的滚动轴承故障诊断[J].传感器与微系统,2022,41(06):130-133.DOI:10.13873/J.1000-9787(2022)06-0130-04.
但是还没有将两者融合的文章。
同步压缩小波变换（SWT）和短时傅立叶变换（STFT）在信号处理中具有一定的互补性：
互补性
( SWT · STFT )
①SWT的选择性缺失问题是指在进行小波变换时，小波基函数的选择可能会导致某些频率的信号被忽略或失真，SWT的选择性缺失问题可能会导致信号的频率信息丢失或失真。而短时傅立叶变换（STFT）在某种程度上可以避免选择性缺失问题，因为它使用固定的窗口函数对信号进行分析，窗口函数的频率特性与信号的频率特性相对应。在STFT中，信号在时间和频率上被分解成窄带信号，每个时间点上的频率信息都能够得到较好的保留。
②SWT具有多尺度分析的能力，相比于STFT，可以在不同尺度上对信号进行分析，提供更全面的频率信息。
本期代码实现功能：
①实现了同步压缩小波变换(SWT)-CNN的故障诊断
②实现了短时傅立叶变换(STFT)-CNN的故障诊断
③实现了SWT-STFT-双流CNN故障诊断
④实现了SWT-STFT-双流CNN-SVM故障诊断
⑤本次实验的数据集，每个故障类别有100个样本。分别选取训练集为样本总量的70%、30%、20%对以上四种方法进行对比，验证本文提出方法在小样本诊断时的优势。
模型结构图如下：
内容详解
一、数据处理
①对官方下载的西储大学数据进行处理，步骤如下：
-
一共加载10种数据，然后取每个数据的DE_time（%DE是驱动端数据 FE是风扇端数据 BA是加速度数据 选择其中一个就行）
-
设置滑动窗口w，每个数据的故障样本点个数s，每个故障类型的样本量m
-
将所有的数据滑窗完毕之后，综合到一个data变量中
-
有关西储大学数据的处理之前有文章也讲过，大家可以看这篇文章：西储大学轴承诊断数据处理，matlab免费代码获取
最后得到的数据是一个1000*2048的矩阵，其中1000是样本量，2048是特征。1000又等于100*10，10是指10种故障状态，100是指每种状态有100个样本。在代码中是data_total_1797.mat
二，对数据进行SWT和STFT变换
SWT变换结果：
STFT变换结果：
三，结果展示
本期模型数据中，一共取了10种状态的数据，每种状态数据有100个样本。下面分别对每个样本选取70,30,20个作为训练集，其余样本作为测试集，对四种方法进行对比验证。
为了有效对比，设定四种方法的CNN参数全部一致！
①当训练集中每个样本量为70个时，即700个样本作为训练集，剩余300个为测试集：
同步压缩小波变换(SWT)-CNN诊断结果：
短时傅立叶变换(STFT)-CNN诊断结果：
SWT-STFT-双流CNN诊断结果：
SWT-STFT-双流CNN-SVM诊断结果：
到这里，可以发现，当样本量为70%时，四种效果基本相当，不分上下。都能够达到一个比较不错的诊断效果。
**提示：**为节省篇幅，这里不再展示30%的训练结果。直接展示每个样本量为20个时的小样本训练结果。大家在写论文的过程中可以多考虑几种情况。
②当训练集中每个样本量为20个时，即200个样本作为训练集，剩余800个为测试集：
同步压缩小波变换(SWT)-CNN诊断结果：
短时傅立叶变换(STFT)-CNN诊断结果：
SWT-STFT-双流CNN诊断结果：
SWT-STFT-双流CNN-SVM诊断结果：
可以看到，当采用小样本数据进行模型训练时，本文提出的SWT-STFT-双流CNN-SVM模型相比于其他模型精度很高，达到了97%以上。
同时为了证明上述结果的非偶然性，笔者对提到的《SWT-STFT-双流CNN-SVM模型》做了10次实验，实验准确率均在90%以上，平均准确率达到了95%以上，最高一次准确率达到98.875%。明显优于其他3种模型。
在写论文的时候，你也可以对上述模型做多次实验，对平均结果行一个统计，突出所提模型的优越性，这里就不再赘述。
本期所提出的并行CNN网络结构如下，与上面给出的示意图结构是一致的。
此照程序代码每个文件夹都包含了一个说明.txt，请运行前仔细阅读，会帮助你更好的理解程序。步骤一步步执行即可。
在此承诺，以上实验均真实有效！
代码目录
代码获取
链接：https://mbd.pub/o/bread/ZZ6TmZhx
参考文献：
[1]余传粮,梁睿君,冉文丰,等.基于STFT和CNN的齿轮箱故障诊断[J].机械制造与自动化,2022,51(03):152-154+195.DOI:10.19344/j.cnki.issn1671-5276.2022.03.037.
[2]唐纪凯,卢一相,柏壮壮,等.基于同步压缩小波变换和CNN的滚动轴承故障诊断[J].传感器与微系统,2022,41(06):130-133.DOI:10.13873/J.1000-9787(2022)06-0130-04.
获取更多代码：
javascript
或者复制链接跳转：
https://docs.qq.com/sheet/DU3NjYkF5TWdFUnpu