。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 transformSTFT)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):152-154195.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*1010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点击下方卡片获取参考文献[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):152-154195.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