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...

本次为大家带来：

采用连续小波变换时频图作为故障特征提取的手段，并构建多种机器学习诊断方法，可以自行搭配。包含的有：

CWT-CNN，CNN-SVM，CWT-ResNet，CWT-CNNBiGRU，CWT-CNNLSTM。

内容简介

①对官方下载的西储大学数据进行处理。处理的方法参考往期文章：西储大学轴承诊断数据处理，matlab免费代码获取；

②通过连续小波变换（Continuous Wavelet Transform，CWT）将轴承数据集转换为时频图，以提取频域和时域信息，并为后续的故障诊断提供更详细的特征；

③为了方便模型的训练，以及考虑到计算机的内存，将时频图重新调整为64×64×3的尺寸，并保存提取到的特征数据。

④分别搭建：CNN，ResNet，CNNBiGRU，CNNLSTM，CNNSVM模型，将特征数据送入模型，将70%的数据作为训练集，30%作为测试集，对模型展开训练与测试。

CWT-CNN模型结构如下：

内容详解

一，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）
2.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*10，10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，采用连续小波变换将数据进行时频图转换

连续小波变换时频图：