Tensorflow2.0：CNN 解决凯斯西储大学轴承数据集的分类问题

最新推荐文章于 2026-07-28 16:34:30 发布
原创 最新推荐文章于 2026-07-28 16:34:30 发布 · 8.5k 阅读 · 63
收录于
Tensorflow 2.0

当前文章被收录于：

Tensorflow 2.0
98 篇文章 111 人学习

基于 Tensorflow2.0 的各种网络结构解析、一些小项目及报错解决等。

订阅专栏 查看详情
深度学习

当前文章被收录于：

深度学习
70 篇文章 34 人学习
订阅专栏 查看详情
本文详细介绍了使用TensorFlow2.0构建的卷积神经网络（CNN）对凯斯西储大学12K采样频率下驱动端轴承故障数据进行分类的方法。内容涵盖数据预处理、模型构建、训练过程等步骤。

文章目录

项目介绍

在此文章中，主要是对分类凯斯西储大学轴承数据的代码进行讲解，关于数据集的介绍可以参考：美国西储大学轴承数据解读，在此文章中，我们只对 12K 采样频率下的驱动端轴承故障数据进行分类。

另外，当提及外圈故障时，我们只考虑中心方向 @6:00 的外圈故障，且因为故障直径为 0.7112mm 的数据不全，我们只是用其他三种故障直径的数据，这些数据如下图所示：
在这里插入图片描述
另外，我们还要使用没有故障的轴承发出的信号，这些信号在以下文件中：
在这里插入图片描述
这样一来，我们的数据集一共被分成 4 类：无故障、内圈故障、滚动体故障以及外圈故障。

首先，我们需要将这些 .mat 文件按照故障类型分到不同的文件夹中，如下图

标签
#tensorflow #python #深度学习 #PHM
了解本专栏 订阅专栏 解锁全文
tensorflow自编码器+softmax对凯斯西储大学轴承数据进行故障分类
weixin_43411870的博客
08-19 4792
先放参考链接，感谢大神们带来的启发： 凯斯西储大学轴承数据故障分类（使用卷积神经网络） TensorFlow实现MNIST识别（softmax） 前情回顾： tensorflow 堆叠自编码器+softmax对mnist数据集进行分类 之前利用tensorflow建立自编码器，再加了分类层，实现了对MNIST数据集的分类，但是这是对于图片的处理，我更想要的是对一些时序数据进行分析，因此，尝试用凯斯西储大学的轴承数据进行故障分类。这个轴承数据网上可以直接下载，也有很多介绍，这里就不介绍了。只是提一下我的数据的
tensorflow 堆叠自编码器SDAE对凯斯西储大学轴承数据进行故障分类
weixin_43411870的博客
08-23 5079
之前的一些介绍：tensorflow自编码器+softmax对凯斯西储大学轴承数据进行故障分类 前面研究了一下自编码器，并顺利利用自编码器对轴承数据进行了故障分类，但我们在实际应用时，应用更多的还是堆叠自编码器，而网上关于堆叠自编码器的tensorflow代码很少，我前面几篇博客的代码中虽然也有两个隐含层，但其实也并不是真正意义上的堆叠，所以自己根据前期的论文资料和自己的理解，捣腾出了这一篇Blog，仅供参考。 关于堆叠自编码器的解释，网上也有很多大神讲的很好，这里我就放一张论文里的图片，图片把SDAE的结
TensorFlow2实战：用CNN和RNN搞定轴承故障诊断（附完整代码）
weixin_33743661的博客
04-15 436
本文详细介绍了如何使用TensorFlow2构建CNN-RNN混合模型进行工业级轴承故障诊断。通过CWRU数据集实战演示，涵盖数据预处理、特征工程、模型架构设计、训练优化及部署方案，为工程师提供端到端的深度学习解决方案，显著提升轴承故障诊断的准确率和效率。
12k Drive End Bearing Fault Data - part2_凯斯西储大学轴承全部数据_凯斯西储大学_西储大
09-11
包含凯斯西储大学轴承数据中心的全部数据，并附有说明文档。
CNN/ResNet 轴承故障诊断对比：3种模型在CWRU数据集上的95%+准确率实战
weixin_30664615的博客
07-04 378
本文对比了随机森林、CNN和CNN+ResNet三种深度学习模型在CWRU轴承故障诊断数据集上的表现，展示了如何实现95%以上的高准确率。通过详细的数据预处理、模型架构设计和性能分析，为工业设备中的滚动轴承故障诊断提供了实用的技术方案和工程实践建议。
保姆级教程之S变换-CNN，ResNet，CNN-SVM，凯斯西储大学和江南大学轴承故障诊断，MATLAB代码，...
woaipythonmeme的博客
03-30 1669
前几期推出了两个关于时频变换结合机器学习故障诊断的文章，如下：保姆级教程之连续小波变换-CNN，ResNet，CNN-SVM，CNN-BiGRU，CNN-LSTM的故障诊断，MATLAB代码江南大学轴承数据诊断---保姆级教程之连续小波变换-CNN，ResNet，CNN-SVM，MATLAB代码本期再推出一个：基于S变换-CNN，ResNet，CNN-SVM，CNN-LSTM的轴承诊断方法，同样使...
【动手教你学故障诊断:Python实现Tensorflow+CNN深度学习的轴承故障诊断（西储大学数据集）（含完整代码）】
热门推荐
qq_34211771的博客
06-09 2万+
动手学基于Python+CNN深度学习的轴承故障诊断（西储大学数据集）（含完整代码）该项目使用tensorflow和keras搭建深度学习CNN网络，并使用西储大学数据集作为训练集和测试集，对西储大学mat格式数据进行处理，将数据放入搭建好的网络中进行训练，最终得到相关故障诊断模型。最近在上故障诊断的课程，老师发给我们西储大学的轴承故障数据集，让我们自己去折腾。正巧前段时间学习了深度学习的课程，因此想着自己搭建一个深度学习的网络来进行相关故障的诊断。查阅相关文献，使用深度学习的故障诊断方法目前主要有两种形式
【文献阅读】不同工作条件下一种基于小样本元学习用于轴承故障诊断的新方法
weixin_45809449的博客
05-17 3440
一种基于数据重构和元学习新的方法DRHRML被提出用于智能轴承故障检测的小样本学习。ISDAE由于其强大的去噪能力、稀疏表示能力和协同分配能力改善了分类准确率。与现有的智能故障诊断方法相比较，RML能够使用少量的样本在不同的条件下准确的诊断轴承故障。
【故障诊断】【pytorch】基于CNN-Attention故障分类的轴承故障诊断研究[西储大学数据]（Python代码实现）
qq_46009436的博客
02-26 825
西储大学轴承数据集是故障诊断领域的标准数据集之一，由凯斯西储大学提供。该数据集包含了多种工况和故障类型的轴承振动数据，涵盖了正常运行的轴承数据以及内圈故障、外圈故障、滚动体故障等多种故障类型的数据。数据集的格式清晰，便于导入到MATLAB、Python等常用编程环境中进行进一步处理和分析。
一维卷积神经网络Tensorflow2 实现轴承故障诊断
cnjs1994的博客
08-20 2393
一维卷积神经网络做轴承故障诊断
基于卷积神经网络（CNN）的滚动轴承故障诊断
m0_60804625的博客
09-28 3334
基于cnn的西储大学数据集故障诊断
使用Python和TensorFlow框架 基于多种滚动轴承数据集（凯斯西储大学、辛辛那提大学、西安交通大学）故障诊断系统，一维时间序列分类和二维图像处理分类，采用多种模型进行对比实验
2401_88440984的博客
05-10 991
使用Python和TensorFlow框架 基于多种滚动轴承数据集（凯斯西储大学、辛辛那提大学、西安交通大学）故障诊断系统，一维时间序列分类和二维图像处理分类，采用多种模型进行对比实验
09-TensorFlow 基于WDCNN的轴承故障诊断
鸣鼓ming的博客
04-22 8098
1.数据集 数据是来自凯斯西储大学（CWRU）滚动轴承数据中心. 官方网站数据下载地址: https://csegroups.case.edu/bearingdatacenter/pages/download-data-file CWRU滚动轴承数据采集系统: CWRU轴承中心数据采集系统如上图所示。本试验的试验对象为图中的驱动端轴承，被诊断的轴承型号为深沟球轴承SKF6205，有故障的轴承由电火花加工制作而成，系统的采样频率为12kHz。被诊断的轴承一共有3种缺陷位置，分别是滚动体损伤，外圈损伤与内圈损
凯斯西储大学(CWRU)轴承数据集（含数据包+整理Python程序+使用说明）
10-12
CWRU数据集数据整理程序+下载好的数据包（防止程序中的下载部分出现bug）+数据使用说明，个人研究正在使用，可直接用（请将解压后的所有文件和故障诊断程序放在同一个目录下）
强噪声下基于mscnn-bigru-attention深度学习模型CWRU(凯斯西储大学)轴承故障诊断（Python代码，tensorflow框架，很容易替换模型和数据集，同时带诊断界面）
shouhou6668889的博客
10-30 1014
摘要：本文基于CWRU轴承数据集，提出一种MSCNN-BiGRU-Attention深度学习模型用于强噪声环境下的故障诊断。研究通过添加不同强度的高斯白噪声模拟实际干扰，在0HP至3HP四种负载工况下进行抗噪实验。数据集包含正常、内圈、外圈、滚珠三种故障状态及不同尺寸故障。系统实现了数据预处理、模型训练、可视化分析等功能，并提供GUI界面支持时频域分析和故障诊断。实验结果表明，该模型在低至-30dB的强噪声环境下仍保持较高诊断准确率，验证了其抗噪性能和实用价值。
基于TensorFlow2.3.0的深度卷积模型LeNet构建--在凯斯西储轴承（CWRU）数据上的简单测试（2）
cnjs1994的博客
06-13 716
基于TensorFlow2.3.0构建了LeNet模型，实现了对凯斯西储轴承故障数据集的分类。
滚动轴承故障诊断实例代码解析：CNN-ResNet与随机森林的对比
PkbCTkXi的博客
03-24 362
本文介绍了一个基于深度学习和传统机器学习的滚动轴承故障诊断系统。通过改进的CNN-ResNet模型和随机森林模型的对比分析，我们发现改进后的CNN+ResNet模型在准确率、召回率和F1分数等指标上均优于随机森林模型。实验结果表明，改进后的模型在滚动轴承故障诊断中具有较高的准确性和可靠性。未来的工作可以进一步优化模型架构，探索更高效的优化策略，并尝试在更多数据集上验证模型的性能。
基于CWRU数据的轴承故障识别Python项目：TensorFlow实现CNN与DNN模型
efc1234567的博客
06-10 172
直接运行就能上手的轴承故障诊断代码包，用TensorFlow搭建了两个可对比的深度学习模型——卷积神经网络（CNN）和全连接网络（DNN），对应文件为cnn.py和dnn.py。数据来源是凯斯西储大学（CWRU）公开轴承实验数据集，已整理好1750RPM、1730RPM、1772RPM三种工况子目录，开箱即用。配套creat_data.py脚本自动完成信号切片、归一化、标签生成和训练/测试集划分；plot_scatter.py支持最后一层特征可视化，帮助理解模型判别逻辑；pre_data和last_laye
CWRU轴承数据集10分类任务：从数据解读到Python实战
最新发布
weixin_30568591的博客
07-28 453
在工业预测性维护和机械故障诊断领域，振动信号分析是核心技术手段。其原理是通过采集设备运行时的振动数据，提取特征以识别其健康状态。这项技术的核心价值在于能实现早期故障预警，避免非计划停机，从而提升生产安全与效率。经典应用场景包括旋转机械（如电机、风机、泵）的轴承、齿轮箱故障检测。本文聚焦于该领域的基准数据集——凯斯西储大学轴承数据，针对其多工况、多故障类型的特点，详细拆解如何构建一个严谨的10分类任务。内容涵盖数据集的深度解读、避免信息泄露的按文件划分策略，以及从原始信号处理到特征工程与模型训练的完整Pyth
评论 55
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

cofisher

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值