问题背景

本文为人工智能课程设计的第二道题目轴承故障诊断。滚动轴承的机械结构如图所示，滚动轴承的局部故障可能发生在外圈、内圈、保持架或滚珠中。当滚珠撞击外圈或内圈上的局部故障，或者滚珠上的故障撞击外圈或内圈时，会激发轴承和响应传感器之间的高频共振，采集轴承的振动信号就可以实现故障的诊断。轴承存在3种故障：外圈故障，内圈故障，滚珠故障，结合轴承的3种直径，轴承的故障类型共有9类。课程设计的问题限定为负载条件为3HP，转速约为1730，包括以下9种故障。

	半径7	半径14	半径21
内圈	IR07	IR14	IR21
滚珠体	BL07	BL14	BL21
外圈	OR07	OR14	OR21

数据

训练数据包含了九种故障的时序信号，如下图所示。

数据储存在mat文件中，为了处理方便，使用matlab通过如下方式将其转存为csv文件。

load('data/Fault_Diag_Data.mat')
for i=1:9
writetable(TrainData{i}.data,['data/',TrainData{i}.label,'.csv'])
end

模型方法

在轴承故障诊断领域，常用的方法包括传统机器学习方法和深度学习方法等，传统机器学习方法一般包括特征提取和模式分类两部分，常见的特征提取算法有快速傅里叶变化，小波变换，经验模式分解以及信号的统计学特征等，常见的模式分类算法有支持向量机，BP神经网络(也称为多层感知器)，贝叶斯分类器以及最近邻分类器等。基于深度学习的故障诊断方法一般包括卷积神经网络，对抗神经网络等方法。近年来，有关迁移学习方面的研究也逐渐成为故障诊断的热点，如下图所示。

在本问题中，采用的分类方法为一维卷积神经网络模型，主要参考了WDCNN模型^[1]，WDCNN为第一层卷积核为宽卷积核的神经网络，其结构示意图如下所示。

本文方法对WDCNN进行了改进，搭建了卷积核大小逐层递减的一维卷积神经网络，并减少了卷积层数量，达到了98%以上的诊断准确率，同时有着较快的收敛速度。另外，针对时序信号的特点，将长短时记忆网络(LSTM)与搭建的一维卷积神经网络结合，提高分类准确率至99%以上，但收敛速度较单一的卷积神经网络较慢。

在本问题的数据处理中，采用了重叠采样方法以增加训练数据数量，具体方法如下图所示，即从原始信号进行采集训练样本时，每一段信号与其后一段信号之间存在一部分重叠，有效增加了数据数量，避免模型过拟合。

内容说明

code文件夹中各个文件的用途如下所示

get_csv.m用于训练数据提取至csv中用于模型的训练，

demo.ipynb为演示所用代码，其中所有代码均在其他文件中体现，仅作为演示用

cnn_net.pth和cnn_lstm.pth为保存的模型

cnn_model中为基于pytorch搭建的一维卷积神经网络和结合lstm的一维卷积神经网络

fault_diag_utils为部分工具函数

train为模型的训练过程，以及验证集准确率，训练结果保存为cnn_net.pth

test为原无标签测试数据的标签生成过程

参考文献

1. 张伟. 基于卷积神经网络的轴承故障诊断算法研究[D].哈尔滨工业大学,2017.