基于融合CNN(2D-CNN与1D-CNN融合)与PSO-SVM的滚动轴承故障诊断

        本文将2D-CNN与1D-CNN融合，同时对轴承数据集进行训练，然后在汇聚层将两者池化层的输出连接成一个向量，送进全连接层。模型训练结束之后，取FC层的输出作为提取到的故障特征信号。数据来源，西储大学滚动轴承故障诊断数据集。

        融合CNN的结构图如图所示：

1，数据准备

         对于10类故障（1正常，9故障），分别采集100组样本，共1000组，采样点为1024。然后按7:2:1划分训练集、验证集与测试集。

2、模型训练-特征提取

        在tensorflow中训练上图所示模型，在1D-CNN中直接将1维振动信号作为输入，整个过程中采用1d卷积进行卷积计算，池化层采用最大池化，填充均为'SAME'。在2D-CNN中，先将1维振动信号转换为32*32的矩阵作为输入，整个过程中采用2d卷积进行卷积计算，池化层采用最大池化，填充均为'SAME'。初始学习率0.1，采用递减学习率，adam优化器，迭代次数4000，batchsize为16，训练时的dropout为0.5，测试时为1.0。loss曲线如下：

      训练结束之后，分别输入训练集、验证集、与测试集。采集FC层的输出作为最终的提取到的特征，因此训练集特征700*512，验证集特征200*512，测试集特征100*512

3、故障诊断

      本文采用SVM对2中采集到的特征进行最后的分类，核函数RBF。由于SVM受参数的影响，因此采用PSO对核参数与惩罚参数进行寻优，以验证集的分类正确率作为适宜度函数，最终训练集准确率98.14%，验证集99%，测试集98%。结果如图：

从适应度曲线上看，pso-svm在20次迭代的时候就收敛了，此时验证集的精度为99%。得到最优惩罚系数14.7675043，最优核参数7.46431354*10^-4。

从混淆矩阵上看，只有第3类分类错误，其中有两个样本分错，一个被分为第0类 ，一个被分为第1类。

4、对比实验

       特征提取对比，分别采用1d-cnn、2d-cnn与融合CNN进行特征提取。模型更改极其方便。

       故障分类对比，分别采用pso-svm,svm,tree进行分类。最终结果为

       当然融合cnn+pso+svm最好啦，要是其他组合更好，那玩儿鸡毛！