基于多通道的一维卷积神经网络故障诊断

一、数据准备

本次采用的PHM 2009 Challenge Data的全套齿轮箱数据集进行实验分析，包括齿轮、轴承以及轴的故障。其实验平台如下图所示：

本次选用50HZ的转速下低负载通道1的振动信号数据进行构建数据集，每类样本长度为1024，每种模式下共截取260组信号样本，其中随机选择70%的样本进行模型训练，30%的样本进行模型测试。具体信息如下表所示：

数据集划分好后，利用EMD处理信号，每条样本均可分解得到7个IMF分量，且每一组分解得到的IMF分量对应着齿轮箱故障模式的一个类，第一种故障模式某段信号的分解得到的7个IMF分量如下图所示，截取每种故障模式前三个IMF分量，作为本次构建的多通道一维卷积神经网络模型的输入。

二、模型构建

多通道输入层: 多通道输入是基于人工设定的样本特征，将不同的有代表性的提取样本输入到特征图的多个通道，使得融合后的特征图可以充分体现图像的有效信息。本文采用的是三通道输入，输入信号为1024× 1 × 3 的三通道一维信号，为了更加直观地展示三通道信号与单通道信号的不同，将各通道信号映射到同一幅图中，如下示意图所示；此次构建的是三个卷积模型分别对截取的emd三个分量进行特征提取，最后在全连接层进行汇聚。

其中构建的模型结构和部分代码如下所示：

# 融合多种数据流
x = layers.concatenate([model_1, model_2, model_3], axis=-1)

三、模型训练

将截取的EMD分解的前三个分量进行训练集和测试集划分，其中训练集和测试集包括三个数据集，将三个训练集样本输入到模型中，进行模型的训练。训练结果如下：

四、模型测试

为了更清楚的展示模型在测试集中各个类别的识别结果，引入混淆矩阵对实验结果进行详细分析，以及使用t-sne特征约减算法对全连接层输出的特征进行可视化，结果如下所示：
如下是使用t-sne对全连接层输出的特征映射到二维的散点图:

总结

由于样本数据比较少，由混淆矩阵和散点图可以得出分类效果并不是很乐观，深度学习爱好者可以尝试划分更多的数据量来验证模型，又或者可以使用其它的数据集来尝试。
有问题请从评论区指出，大家一起交流学习。