1。效果视频：基于mscnn-bigru-attention深度学习模型江南大学轴承故障诊断带界面_哔哩哔哩_bilibili

 2.江南大学轴承数据集介绍

采样频率：50khz，采样时间：10s

转速：600 800 1000/rpm

内圈故障：ib

外圈故障：ob

滚动体故障：tb

正常：N

 以600转速下的内圈故障数据为例展示：

开始数据

截止数据 

 

3.文件夹

按照不同转速分成了三份数据集

以600转速为例，在600转速数据集里 

3.1.checkpoint文件保存的是训练好的模型参数，以供GUI调用，进行对未知数据进行诊断

 3.2.Data里面就是保存的原始数据

3.3.测试样本文件夹里面保存的样本数据集打乱后，形成的测试样本

每个样本具体形状：1024个点，因为对原始数据进行切割的时候，选择1024个点为一个样本（可以结合具体不同数据集，改变样本长度），也就是只要有1024个点的输入，GUI就可以诊断

3.4.测试样本真实标签：保存的是每个测试样本真实标签，目的是可以验证模型到底对某个样本预测是否正确。

3.5.code600是主程序：287行代码

主要有数据处理部分代码，模型的一些超参数（训练次数，批量，优化器，学习率等设置）代码，有准确率曲线可视化代码，损失曲线可视化代码，混淆矩阵（以样本个数和百分比呈现）代码，tnse可视化代码，梯形图可视化代码，F1-SCORE可视化代码。

3.6.confusion0和confusion1是混淆矩阵图

3.7.credentials是在GUI界面里点注册的时候，保存的注册账号和密码。

3.8.GUI.py文件：247行，主要有登录和注册的界面设计，有时域分析和频域分析（ 时域的均值，方差，标准差，最大值和最小值，偏度，峰度指标，并写在时域图上。获取频率均值，频率峰峰值，频率方差，频率最大值，频率最小值并写在频域图上），还有调用保存好的模型对新的数据诊断，并依据诊断出来的类型给出建议代码

 # 计算时域统计指标
        mean_time = np.mean(data)
        var_time = np.var(data)
        std_time = np.std(data)
        max_time = np.max(data)
        min_time = np.min(data)
        skewness = scipy.stats.skew(data)
        kurtosis = scipy.stats.kurtosis(data)

       #频域指标
        magnitude = np.abs(fft_result)
        magnitude_half = magnitude[:len(frequencies)//2]
        mean_freq = np.mean(magnitude_half)
        peak_to_peak = np.max(magnitude_half) - np.min(magnitude_half)
        var_freq = np.var(magnitude_half)
        max_freq = np.max(magnitude_half)
        min_freq = np.min(magnitude_half)

3.9.mscnn-bigru-attention.py：保存的是mscnn-bigru-attention模型,目的是为了被code600.py和GUI调用,也可以把模型直接写在code600.py和GUI.py里面，但是显得累赘,所以把模型单独写在了一个脚本里。

4.效果

600rpm数据集下，总样本数：8000个样本，训练集与测试集比例：7:3

 800rpm数据集下，总样本数：8000个样本，训练集与测试集比例：7:3

1000rpm数据集下，总样本数：8000个样本，训练集与测试集比例：7:3

 

 

 

代码运行环境要求（可以用向日葵或者todesk远程）

tensorlfow==2.4.0

python==3.7.9,

其他库版本无要求