?代碼運行環境要求：TensorFlow版本>=2.4.0，python版本>=3.6.0
1.電機常見的故障類型有以下幾種：
-
軸承故障：軸承是電機運轉時最容易受損的部件之一。常見故障包括磨損、疲勞、過熱和潤滑不良，這些問題可能導致噪音增加和電機性能下降。
-
絕緣老化：電機絕緣材料隨著使用時間的增加會老化，失去絕緣性能，導致絕緣擊穿和電機短路。
-
繞組故障：電機的繞組可能出現短路、開路或者匝間故障，這些故障會導致電機失去正常運轉能力。
-
電刷磨損：對于一些直流電機，電刷是關鍵部件，其磨損會導致電刷與集電環之間的接觸不良，影響電機性能。
-
過載和過熱：電機長時間運行在超過額定負載或者額定溫度的情況下，會導致電機過熱，進而加速其它故障的發生。
-
風扇故障：風扇是電機散熱的重要組成部分，若風扇故障導致散熱不良，電機溫度升高，從而加劇其它故障。
-
不良環境：如果電機運行環境惡劣，如潮濕、灰塵多、腐蝕性氣體等，會加速電機故障的發生。
-
頻率變化：對于變頻驅動的電機，頻率的變化可能導致電機在某些轉速下共振，損壞電機。
以上僅列舉了一些常見的電機故障類型，實際情況還可能會更加復雜。
2.數據集介紹（經過上面的電機常見故障分析，這里針對軸承部位故障，繞組故障等情況采集數據）
?正常電機的采集數據：（3個通道采集振動信號，3個通道采集電壓信號）
?正常電機下一共采集362941行數據
?其它故障狀態下分別采集了140801行數據左右?，因為現實中故障數據相比正常數據難以獲得，所以實驗室里采集的正常電機的信號比故障下的信號要多。
2.模型
?首先經過嘗試，發現第3個振動通道采集的數據對故障更加敏感，這里只選用了第3個振動通道采集的數據作為特征信號。經過重疊采樣（1024的長度）切割。
模型采用的就是一維MSCNN結合LSTM結合Attention模型
實驗效果（訓練集與測試集比例為4:1）?
對代碼感興趣，可以關注最后一行
import pandas as pd
import numpy as np
from keras.utils import np_utils
from sklearn import preprocessing
import tensorflow as tf
from matplotlib import pyplot as plt
plt.rcParams['font.sans-serif']=['simhei'] # 添加中文字體為黑體
plt.rcParams['axes.unicode_minus'] =False
X0=pd.read_excel('斷條.xlsx')
X1=pd.read_excel('偏心.xlsx')
X2=pd.read_excel('匝間短路.xlsx')
X3=pd.read_excel('軸承內圈.xlsx')
X4=pd.read_excel('軸承外圈.xlsx')
X5=pd.read_excel('正常.xlsx')
#壓縮包https://mbd.pub/o/bread/mbd-ZJybl5lx
