电机故障诊断(python程序，模型为MSCNN结合LSTM结合注意力机制模型，有注释)

 代码运行环境要求：TensorFlow版本>=2.4.0，python版本>=3.6.0

1.电机常见的故障类型有以下几种：

1. 轴承故障：轴承是电机运转时最容易受损的部件之一。常见故障包括磨损、疲劳、过热和润滑不良，这些问题可能导致噪音增加和电机性能下降。

2. 绝缘老化：电机绝缘材料随着使用时间的增加会老化，失去绝缘性能，导致绝缘击穿和电机短路。

3. 绕组故障：电机的绕组可能出现短路、开路或者匝间故障，这些故障会导致电机失去正常运转能力。

4. 电刷磨损：对于一些直流电机，电刷是关键部件，其磨损会导致电刷与集电环之间的接触不良，影响电机性能。

5. 过载和过热：电机长时间运行在超过额定负载或者额定温度的情况下，会导致电机过热，进而加速其它故障的发生。

6. 风扇故障：风扇是电机散热的重要组成部分，若风扇故障导致散热不良，电机温度升高，从而加剧其它故障。

7. 不良环境：如果电机运行环境恶劣，如潮湿、灰尘多、腐蚀性气体等，会加速电机故障的发生。

8. 频率变化：对于变频驱动的电机，频率的变化可能导致电机在某些转速下共振，损坏电机。

以上仅列举了一些常见的电机故障类型，实际情况还可能会更加复杂。

2.数据集介绍（经过上面的电机常见故障分析，这里针对轴承部位故障，绕组故障等情况采集数据）

 正常电机的采集数据：（3个通道采集振动信号，3个通道采集电压信号）

 正常电机下一共采集362941行数据

 其它故障状态下分别采集了140801行数据左右 ，因为现实中故障数据相比正常数据难以获得，所以实验室里采集的正常电机的信号比故障下的信号要多。

2.模型

 首先经过尝试，发现第3个振动通道采集的数据对故障更加敏感，这里只选用了第3个振动通道采集的数据作为特征信号。经过重叠采样（1024的长度）切割。

模型采用的就是一维MSCNN结合LSTM结合Attention模型

实验效果（训练集与测试集比例为4:1） 

对代码感兴趣，可以关注最后一行

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'] # 添加中文字体为黑体
plt.rcParams['axes.unicode_minus'] =False
X0=pd.read_excel('断条.xlsx')
X1=pd.read_excel('偏心.xlsx')
X2=pd.read_excel('匝间短路.xlsx')
X3=pd.read_excel('轴承内圈.xlsx')
X4=pd.read_excel('轴承外圈.xlsx')
X5=pd.read_excel('正常.xlsx')
#压缩包https://mbd.pub/o/bread/mbd-ZJybl5lx