1DCNN-2DResNet并行故障诊断模型

往期精彩内容：

● 数据集：经测试，模型在CWRU西储大学轴承数据集和哈工大航天发动机轴承数据集上表现分类准确率均为99%！

● 环境框架：python 3.9 pytorch 1.8 及其以上版本均可运行

● 准确率：测试集99%

● 使用对象：论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

创新点：

分支一：轴承故障时序信号作为CNN模块输入，通过一系列的1D卷积层和池化层操作，实现对信号数据的时域和局部特征提取；

分之二：轴承故障信号先通过堆叠为2维矩阵，然后是利用通过2D的ResNet卷积层和残差块对数据进行全局特征提取；

并行融合：将1D CNN模块和2D ResNet模块的输出进行并行融合，以获得融合了时域和频域信息的特征表示。这些特征表示经过全连接层进行分类，最终得到故障诊断的结果。通过1D CNN和2D ResNet的并行处理，该模型能够综合利用时域和频域信息，从而提高故障诊断的准确性和鲁棒性，充分挖掘数据之间的关联性，提高了故障诊断的性能。

前言

本文基于凯斯西储大学（CWRU）轴承数据，先经过数据预处理进行数据集的制作和加载，最后通过Pytorch实现1DCNN-2DResNet并行模型对故障数据的分类。凯斯西储大学轴承数据的详细介绍可以参考下文：

Python-凯斯西储大学（CWRU）轴承数据解读与分类处理_cwru数据集-CSDN博客

1 轴承故障数据的预处理

1.1 导入数据

参考之前的文章，进行故障10分类的预处理，凯斯西储大学轴承数据10分类数据集：

train_set、val_set、test_set 均为按照7：2：1划分训练集、验证集、测试集，最后保存数据

上图是数据的读取形式以及预处理思路

1.2 数据预处理，制作数据集

2 基于Pytorch的1DCNN-2DResNet的轴承故障诊断

2.1 定义1DCNN-2DResNet分类网络模型

2.2 设置参数，训练模型

50个epoch，准确率100%，用1DCNN-2DResNet并行网络分类效果显著，模型能够充分提取轴承故障信号的全局空间和局部特征，收敛速度快，性能优越，精度高，效果明显!

2.3 模型评估

准确率、精确率、召回率、F1 Score

故障十分类混淆矩阵：

代码、数据如下：

对数据集和代码感兴趣的，可以关注最后一行

python 复制代码

# 加载数据
import torch
from joblib import dump, load
import torch.utils.data as Data
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
# 参数与配置
torch.manual_seed(100)  # 设置随机种子，以使实验结果具有可重复性
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 
#代码和数据集：https://mbd.pub/o/bread/ZpWakplp