故障诊断开源代码推荐 | MCNN-LSTM，免费获取！

针对故障诊断领域开源代码较少，小编整理搜集了一些开源代码与大家进行分享。本期分享的是基于MCNN-LSTM的故障诊断模型。由于该论文是2020年发表的，因此现在来看，方法和模型都比较简单，且只用了CWRU数据集，因此这篇开源代码适合初学者学习。

1 论文基本信息

论文题目：Bearing fault diagnosis base on multi-scale CNN and LSTM model

论文期刊：Journal of Intelligent Manufacturing

论文时间：2020年

作者：Xiaohan Chen；Beike Zhang；Dong Gao

机构：College of Information Science and Technology, Beijing University of Chemical Technology, Beijing, China

2 摘要

基于信号分析的智能故障诊断方法已广泛应用于轴承故障诊断。这些方法采用预先确定的变换(如经验模态分解、快速傅立叶变换、离散小波变换)将时间序列信号转换为频域信号，诊断系统的性能在很大程度上依赖于提取的特征。然而，提取信号特征是相当耗时的，并且依赖于专门的信号处理知识。尽管一些研究已经开发出高度精确的算法，但诊断结果严重依赖于大型数据集和不可靠的人工分析。本研究提出了一种以原始振动信号为输入的自动特征学习神经网络，使用两个不同核大小的卷积神经网络从原始数据中自动提取不同频率的信号特征。然后根据学习到的特征，利用长短期记忆识别故障类型。数据在输入到网络之前被下采样，大大减少了参数的数量。实验表明，该方法不仅可以达到98.46%的平均准确率，超过了目前一些基于先验知识的智能算法，而且在噪声环境下具有更好的性能。

目录

1 论文基本信息

2 摘要

3 流程图

4 所用数据集

5 模型参数

6 实验结果

7 对比试验结果

8 结论

3 流程图

4 所用数据集

所用数据集：CWRU

数据集详细信息

5 模型参数

模型参数

6 实验结果

7 对比实验结果

0.014 mm滚动体故障时域信号、高斯白噪声、添加信噪比为0的复合噪声信号

不同信噪比(SNR)加噪实验结果

8 结论

• 网络结构紧凑，接受原始数据输入，可以实时检测滚动轴承状态;
• 该算法无需EMD、HHT等预处理，即可从原始信号中自动学习特征;
• 该方法为小数据集提供了有效的训练和分类方法;

• 最终训练的网络准确识别出10种不同的故障状态。利用CWRU轴承数据集验证了所提出的故障诊断方法的可行性，平均准确率为98.46%。

9 README.md

Chen, X., Zhang, B. & Gao, D. Bearing fault diagnosis base on multi-scale CNN and LSTM model. J Intell Manuf (2020). https://doi.org/10.1007/s10845-020-01600-2

编辑：李正平
校核：张勇、张泽明、王畅、陈凯歌、赵栓栓
该文资料搜集自网上，仅用作学术分享，不做商业用途，若侵权，请后台联系小编进行删除。