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）

1.效果视频（以0HP数据集为例，在-30DB下的测试准确率效果）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_哔哩哔哩_bilibili

对原始信号分别添加不同强度的高斯白噪声，以模拟实验数据遇到的实际环境中干扰噪声。

原始信号（以0HP数据为例进行展示，可以明显看出十类原始信号非常纯净，有明显的冲击周期）

添加不同高斯白噪声图（CWRU数据集0hp负载下，内圈故障(IR07)的振动信号加入不同分贝噪声后变化情况）

添加高斯白噪声代码

高斯白噪声定义函数
def add_noise(x, snr):
        """输入原信号，信噪比，输出，加入高斯白噪声的信号
        :param x: 原信号
        :param snr: 信噪比
        :return: 加入高斯白噪声的信号
        """
        P_signal = np.sum(abs(x) ** 2) / len(x)
        P_noise = P_signal / 10 ** (snr / 10.0)
        return x + np.random.randn(len(x)) * np.sqrt(P_noise)

每种负载下均进行了抗噪实验实验结果

2.数据集介绍

2.1.西储大学滚动轴承数据集介绍

西储大学滚动轴承振动信号的实验数据源自美国凯斯西储大学（Case Western Reserve University，CWRU）电气工程实验室，其提供的数据集已经成为轴承故障诊断领域的标准参考之一，并已广泛应用于各类过程控制与故障诊断实验。试验台包括电机、加速度传感器、转矩传感器、编码耦合器和负载构成。在实验中，滚动轴承振动信号数据以多变量振动序列形式存在，并由数据记录仪在采样频率为12kHz和48kHz的环境下收集。根据转速与负载的不同，可以得到4个工况下的滚动轴承数据集，如表1所示。

表 1 4个工况具体数据

表中（0hp）工况指在转速1797r/min，负载0马力下收集的滚动轴承数据，其他符号以此类推。

图2 数据采集试验装置图

数据集处理

CWRU数据集的每种工况共有四种状态：正常状态（N）、内圈故障状态（IF）、外圈故障状态（OF）和滚珠故障状态（BF），同时根据故障部分尺寸的大小可以划分为三种尺寸：小尺寸（0.18毫米）、中尺寸（0.36毫米）和大尺寸（0.53毫米）。因此根据轴承状态和故障尺寸，每个工况中存在十种轴承状态，详见表2。

表2 轴承状态分类

3.项目文件介绍

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.CWRU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.main是主程序：308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

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main.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。