1.项目概述基于深度学习的电机智能故障诊断系统（python）_哔哩哔哩_bilibili

这是一个基于深度学习的电机故障诊断系统，集成了数据管理、模型训练、波形分析、模型评估和故障诊断等功能。系统采用PyQt5构建了直观的图形界面，支持六种电机状态的识别：断条故障、偏心故障、匝间短路故障、轴承内圈故障、轴承外圈故障和正常状态。

2.核心特性

1. 多数据列支持

系统可以处理六列数据（3列振动信号 + 3列电压信号），用户可以根据需要选择不同的信号源进行分析：

column_names = ["振动信号1", "振动信号2", "振动信号3", "电压信号1", "电压信号2", "电压信号3"]

2. 深度学习模型

系统核心采用MSCNN-LSTM-Attention混合模型：

多尺度卷积神经网络（MSCNN）：同时使用3×3和5×5两种卷积核，提取不同尺度的特征

长短时记忆网络（LSTM）：捕获时序数据的长期依赖关系

注意力机制（Attention）：聚焦于关键时序特征，提升模型性能

3关键技术亮点

1. 时域特征提取

系统自动计算八种时域特征，用于信号分析：

均值、方差、峰值

峭度、偏度

峰值因子、峭度因子、波形因子

2. 动态数据列选择

用户可以在运行时切换不同的数据列，系统会自动重新计算相关特征和模型。

3. 模型保存与加载

支持完整的模型权重保存和加载功能，方便模型复用和部署。

4. 智能诊断报告

诊断结果包含：

故障类型及置信度

各类别概率分布

维护建议

时域信号可视化

使用流程

步骤1：数据准备

确保六个Excel文件位于当前目录

在"数据管理"选项卡中加载数据

选择需要分析的数据列

准备训练/测试数据集

步骤2：模型训练

构建MSCNN-LSTM-Attention模型

设置训练参数（轮次、批次大小、学习率）

开始训练并监控进度

保存训练好的模型

步骤3：波形分析

查看六类故障的波形特征对比

分析不同信号列的差异

步骤4：模型评估

查看训练历史曲线

分析混淆矩阵

查看TSNE特征分布

获取详细的分类报告

步骤5：故障诊断

加载训练好的模型

选择测试数据（单文件或文件夹）

执行诊断并查看结果

分析时域图和详细报告

技术栈

深度学习框架：TensorFlow/Keras

图形界面：PyQt5

数据处理：NumPy, Pandas

可视化：Matplotlib, Seaborn

机器学习工具：scikit-learn

项目结构

text

AI_Motor_Fault_Diagnosis/

├── main.py # 主程序，图形界面

├── data_model_functions.py # 数据管理和模型函数

├── visualization_diagnosis.py # 可视化和诊断功能

├── MSCNN_lstm_attention.py # 深度学习模型定义

├── 断条.xlsx # 故障数据

├── 偏心.xlsx # 故障数据

├── 匝间短路.xlsx # 故障数据

├── 轴承内圈.xlsx # 故障数据

├── 轴承外圈.xlsx # 故障数据

├── 正常.xlsx # 正常状态数据

├── 背景.png # 界面背景图片

├── saved_models/ # 模型保存目录

├── checkpoint/ # 训练检查点

├── 测试样本/ # 测试样本目录

└── 测试样本真实标签/ # 测试标签目录

创新点

混合模型架构：结合CNN、LSTM和Attention的优势

多信号源支持：同时处理振动和电压信号

实时交互界面：直观的图形化操作界面

完整的诊断流程：从数据到诊断结果的端到端解决方案

详细的诊断报告：不仅给出诊断结果，还提供维护建议

应用场景

工业电机状态监测与预测性维护

故障诊断算法研究与验证

电机故障诊断教学与培训

智能运维系统开发

4总结

这个AI电机故障诊断系统提供了一个完整的深度学习解决方案，将复杂的故障诊断流程简化为直观的图形操作。系统不仅具有强大的诊断能力，还提供了丰富的可视化工具，帮助用户深入理解模型性能和故障特征。无论是工业应用还是学术研究，这个系统都是一个有价值的工具。

通过这个项目，我们可以看到深度学习在工业故障诊断领域的强大应用潜力，以及如何将先进算法与实际工程需求相结合，构建实用、高效的智能诊断系统。