matlab的2DCNN、1DCNN、BP、SVM故障诊断与结果可视化

0、前言

        本文针对十分类轴承故障诊断问题，采用四种经典方法2DCNN、1DCNN、BP、SVM进行建模，并对比最终结果。

1、理论介绍

        BP和SVM理论不再进行描述。1DCNN指的是采用一维卷积，2DCNN采用二维卷积，相关理论请参考论文《一种用于轴承故障诊断的二维卷积神经网络优化方法》。该论文提出一种新的数据预处理方式，将原始时域信号数据转换成二维灰度图像来提取转换后的图像特征，消除手工特征的影响；同时，在验证分类前对实验采集故障数据集添加了降噪处理，并对卷积神经网络梯度下降算法进行参数自适应学习率优化。所提2DCNN方法取得了良好的效果，为故障诊断提供了一种新的思路。

2、方法对比

      

2.1 BP建模结果

2.2 SVM建模结果

 2.3 1DCNN建模结果

 2.4 2DCNN建模结果

 2.5 测试分类结果对比

3、特征可视化对比分析

3.1  BP隐含层特征可视化

 3.2 SVM特征可视化（PCA进行降维后样本在核空间的特征可视化）

3.3 1DCNN隐含层特征可视化 

3.4 2DCNN隐含层特征可视化

 4、结果分析

        上述BP与SVM效果不太理想，是因为这两种方法的输入为原始信号数据，而浅层模型对原始信号数据的处理效果有限。CNN深度模型能可自动学习原始数据的抽象表示特征，这可避免工程师设计的手工特征，并且与传统的机器学习方法相比均取得了良好的效果。最常见的数据类型是时域信号，处理一维信号的多种深度学习方法已经在实时电机故障诊断得到应用。但都是一维时间序列信号，特征提取容易出现特征丢失现象，然而目前主流的二维卷积神经网络结构并不直接适用于一维振动信号，导致需加深常用的一维卷积神经网络深度来获取较大的感受野，从而抑制过拟合，这从一定程度上增加了设计的难度。本文参考上述论文提出的数据预处理方法，将原始时域信号数据转换成二维灰度图像，没有任何预定义的参数，这可尽可能地消除专家经验，并可使用在图像识别应用广泛的卷积神经网络（2DCNN）。

        受论文的启发，将原始1维信号数据转换为二维数据（即图像）就可以采用图像识别应用广泛的卷积神经网络（2DCNN），转换方法不局限于论文所提二维灰度图像，还可以将原始信号数据经过小波变换、EEMD变换、VMD变换等时频域分析方法获取时频图（二维图像），然后采用2DCNN对时频图进行训练，实现分类（或预测）。