在博客https://blog.csdn.net/qq_41043389/article/details/106150980里，我们提出了采用小波时频图作为轴承信号的故障特征数据，即首先利用matlab提取各样本的小波时频图，如图1所示，然后利用pytorch构建CNN（lenet）模型，最终达到了99%的分类正确率，详情可以看我上面那个说的那个博客。
文章图片
图1 小波时频图
1、基于FFT频谱与小波时频图的双流CNN轴承故障诊断模型
今天，我们提出一个更加牛逼的轴承故障cnn模型——双流CNN，其结构如图2所示。
文章图片
图2双流CNN结构
【故障诊断|基于FFT频谱与小波时频图的双流CNN轴承故障诊断模型】大致原理如下：基于2D-CNN与1D-CNN，构建双通道的CNN（双流CNN），其中2D-CNN以小波时频图为输入，而1D-CNN以FFT频谱信号为输入，分别进行卷积层与池化层的特征提取之后，拉伸为特征向量，然后在汇聚层进行拼接，接着是全连接网路层与分类层。此种方法可以实现1维时域特征与2维时频域特征的有效融合，并以此来提高分类正确率。
2、数据准备
采用西储大学轴承故障诊断数据集，48K/0HP数据，共10类故障（正常作为一类特殊的故障类型），划分后每个样本的采样点为864（据说是因为这样含两个故障周期），每类故障各200个样本，因此一共2000个样本，然后7:2:1划分训练集（1400），验证集（400），与测试集（100）。
3、模型训练
在torch0.4中训练搭建与训练上述模型，得到的训练集与验证集的loss曲线与正确率曲线如图3所示所示。
文章图片
文章图片
从正确率与loss曲线可以看出，网络在200次训练的时候基本就完全收敛了，保存此时的模型，用于测试集分类。.
4、模型测试与对比
文章图片
加载测试集的小波时频数据与FFT频谱数据，得到正确率为100%。
对比模型1：博客https://blog.csdn.net/qq_41043389/article/details/106150980中采用小波时频+CNN，正确率99%
对比模型2：博客https://blog.csdn.net/qq_41043389/article/details/103870271中采用双流CNN，正确率为97%
5、结论
采用小波时频图与FFT频谱信号构建双流CNN故障诊断模型，能极大的提高故障诊断正确率，最终测试集的正确率达到100%.相关github 链接如下https://github.com/fish-kong/Two-stream-CNN-for-rolling-bear-fault-diagnosis/tree/master。小波时频图特征提取工具箱可以在我的github中找到github.com/fish-kong
推荐阅读
- 深度学习|深度学习笔记总结
- CNN 不同Attention 的内在含义
- tensorflow|vgg16 finetune tensorflow实现
- 基于全局误差重构的深度卷积神经网络压缩方法
- 故障诊断|基于小波时频图与CNN的轴承故障诊断