运行代码要求：

代码运行环境要求：Keras版本>=2.4.0，python版本>=3.6.0

本次实验主要是在两种不同工况数据下，进行带有复合故障的诊断实验，没有复合故障的诊断实验。

实验结果证明，针对具有复合故障的数据集，需要 研发特定的算法，才能更好区分复合故障数据集。

1.东南大学采集数据平台

 

 数据

该数据集包含2个子数据集，包括轴承数据和齿轮数据，这两个子数据集都是在传动系动力学模拟器（DDS）上获取的。（第一个文件夹是轴承数据，第二个文件夹是齿轮数据，本次是针对齿轮数据进行故障诊断）

 

 本实验主要是利用轴承数据(第一个文件夹的数据)进行故障诊断，轴承具体数据

有两种工况，转速-负载配置设置为20-0和30-2。

每种工况下有：ball(滚动体故障)、comb(复合故障，即包含滚动体、外圈、内圈故障)，health(健康)、inner(内圈故障)、outer(外圈故障)

code_20.py是只使用20_0工况下ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集诊断。没有使用复合故障数据集

code_20_0.py是使用20_0工况下ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)、comb(复合故障，即包含滚动体、外圈、内圈故障)诊断

code_30.py是只使用30_2工况下ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集诊断。没有使用复合故障数据集

code_30_2.py是使用30_2工况下ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)、comb(复合故障，即包含滚动体、外圈、内圈故障)诊断

模型

 

 

首先在20-0工况数据集下实验

2.1.使用ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集。没有使用复合故障数据集

每类故障有1000个样本（一共4000个样本），训练集与测试集比例是9:1（训练集：3600个样本，测试集：400个样本）

 

 

测试集的混淆矩阵（以样本个数呈现） 

 

测试集的混淆矩阵（以准确率数呈现）  

 

 

2.2.使用ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集，comb(复合故障，即包含滚动体、外圈、内圈故障)。

每类故障有1000个样本（一共5000个样本），训练集与测试集比例是9:1（训练集：4500个样本，测试集：500个样本）

从结果可以看出，CNN对带有复合故障的数据集诊断准确率不高，需要区分复合故障与单独故障的特定算法， 才能提高准确率

 

测试集的混淆矩阵（以样本个数呈现）  

 

测试集的混淆矩阵（以准确率数呈现）   

 

 

 3.在30-2工况数据集下实验

3.1.使用ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集。没有使用复合故障数据集

每类故障有1000个样本（一共4000个样本），训练集与测试集比例是9:1（训练集：3600个样本，测试集：400个样本）

 

测试集的混淆矩阵（以样本个数呈现）  

 

测试集的混淆矩阵（以准确率数呈现）   

 

3.2. 

使用ball(滚动体故障)、health(健康)、inner(内圈故障)、outer(外圈故障)数据集，comb(复合故障，即包含滚动体、外圈、内圈故障)。

每类故障有1000个样本（一共5000个样本），训练集与测试集比例是9:1（训练集：4500个样本，测试集：500个样本）

 从结果可以看出，CNN对带有复合故障的数据集诊断准确率虽然不低，但是准确率不稳定。

 

 

 

测试集的混淆矩阵（以样本个数呈现）   

 

测试集的混淆矩阵（以准确率数呈现）    

 

 本次项目所有代码和数据放在了压缩包

import pandas as pd
import pandas as pd
import numpy as np
from keras.utils import np_utils
from sklearn import preprocessing
import tensorflow as tf
from matplotlib import pyplot as plt
#压缩包：https://mbd.pub/o/bread/ZJyTlp9y