保姆级教程之VMD-CNN-BILSTM轴承故障诊断,MATLAB代码

本期为大家带来VMD-CNN-BILSTM的轴承故障诊断。

和前几期一样,依旧是包含了数据处理,优化VMD参数,特征提取,再到CNN-BiLSTM的故障诊断,其他类型的故障诊断均可参考此流程。数据替换十分简单!

其中优化VMD参数部分,采用的是最新推出的,效率非常高的融合鱼鹰和柯西变异的麻雀优化算法(OCSSA),文件中也包含了该算法与其他算法的对比的代码。

故障诊断部分,本期作者将CNN-LSTM,CNN-BiLSTM,VMD-CNN-LSTM,VMD-CNN-BiLSTM四种故障诊断模型进行了对比。突出了本期提出的VMD-CNN-BILSTM模型的优越性。

友情提示:对于刚接触故障诊断的新手来说,这篇文章信息量可能有点大,大家可以收藏反复阅读。即便有些内容本篇文章没讲出来,但其中的一些跳转链接,也完全把故障诊断这个故事讲清楚了。

与上一期文章相似,先给大家看看文件夹目录,都是作者精心整理过的。

保姆级教程之VMD-CNN-BILSTM轴承故障诊断,MATLAB代码_第1张图片

最后一个压缩包是有关VMD画图的程序。考虑到大家可能会用到VMD的相关作图,包络谱,频谱图等,作者在这里也一并附在代码中了。这部分大家需要自行更改数据!也就是作者比较火的文章之一,这里边提到的所有代码:VMD分解,matlab代码,包络线,包络谱,中心频率,峭度值,能量熵,样本熵,模糊熵,排列熵,多尺度排列熵,西储大学数据集为例

如图所示,本期内容一共做了三件事情:

一,对官方下载的西储大学数据进行处理,步骤如下:

1.一共加载10种数据,然后取每个数据的DE_time(%DE是驱动端数据 FE是风扇端数据 BA是加速度数据 选择其中一个就行)

2.设置滑动窗口w,每个数据的故障样本点个数s,每个故障类型的样本量m

3.将所有的数据滑窗完毕之后,综合到一个data变量中

有关西储大学数据的处理之前有文章也讲过,大家可以看这篇文章:西储大学轴承诊断数据处理,matlab免费代码获取

图中的1750,1772,1790是西储大学轴承的转速,大家做诊断的时候,选择其中一个即可,即选同一转速下的不同故障进行诊断更有意义!

二,对第一步数据处理得到的数据进行特征提取

选取五种适应度函数进行优化,这里大家可以自行决定选哪一个!以此确定VMD的最佳k和α参数。五种适应度函数分别是:最小包络熵,最小样本熵,最小信息熵,最小排列熵,排列熵/互信息熵,代码中可以一键切换。至于应该选择哪种作为自己的适应度函数,大家可以看这篇文章。VMD为什么需要进行参数优化,最小包络熵/样本熵/排列熵/信息熵,适应度函数到底该选哪个

老粉应该知道,之前也推过一篇文章,就是关于西储大学特征提取的,但当时作者懒,没有写一个大循环,需要大家针对每种类型的数据依次提取。这次,作者把特征提取写了一个大循环,方便一键特征提取,大家也可以很简单的更换自己的数据!

至于特征提取的具体原理,也在这篇文章进行过详细介绍,大家可以跳转阅读。简单来说,就是利用包络熵最小的准则把每个样本的最佳IMF分量提取出来,然后对其9个指标进行计算,分别是:均值,方差,峰值,峭度,有效值,峰值因子,脉冲因子,波形因子,裕度因子。然后用这9个指标构建每个样本的特征向量。

另外本期文章采用了一个新颖的效率较高的智能算法---效率非常高的融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)对VMD参数进行了优化,该算法是由作者自行改进。找到了每个故障类型的最佳IMF分量,并利用包络熵最小的准则,提取出了最佳的IMF分量。

提取特征后,每种状态是120个样本,一共十个状态,得到一个1200*9列的矩阵,然后对每行数据打上标签。1-10代表不同的故障类型。划分每种状态的前90组为训练集,后30组为测试集。

三,采用CNN-BILSTM实现故障分类

本期作者将CNN-LSTM,CNN-BiLSTM,VMD-CNN-LSTM,VMD-CNN-BiLSTM四种故障诊断模型进行了对比。

结果展示

为了突出VMD-CNN-BiLSTM优越性,将四个模型的训练次数都设置为150,学习率为0.01,正则化参数为0.001,训练100次后开始调整学习率,学习率调整因子为0.01。统计结果如下:

算法 准确率 训练时间
CNN-LSTM 86% 165.003936秒
CNN-BiLSTM 91.33% 236.622348秒
VMD-CNN-LSTM 95.667% 8.148243秒
VMD-CNN-BiLSTM 99.33% 8.905423 秒

根据统计结果可以看到,VMD-CNN-BiLSTM诊断模型不仅大大缩减了训练时间,而且诊断精度也是最高的。

CNN-LSTM结果图

保姆级教程之VMD-CNN-BILSTM轴承故障诊断,MATLAB代码_第2张图片

保姆级教程之VMD-CNN-BILSTM轴承故障诊断,MATLAB代码_第3张图片

CNN-BiLSTM结果图

保姆级教程之VMD-CNN-BILSTM轴承故障诊断,MATLAB代码_第4张图片

保姆级教程之VMD-CNN-BILSTM轴承故障诊断,MATLAB代码_第5张图片

VMD-CNN-LSTM结果图

保姆级教程之VMD-CNN-BILSTM轴承故障诊断,MATLAB代码_第6张图片

保姆级教程之VMD-CNN-BILSTM轴承故障诊断,MATLAB代码_第7张图片

VMD-CNN-BiLSTM结果图

保姆级教程之VMD-CNN-BILSTM轴承故障诊断,MATLAB代码_第8张图片

保姆级教程之VMD-CNN-BILSTM轴承故障诊断,MATLAB代码_第9张图片

部分代码

数据处理代码:

clc;
clear;
addpath(genpath(pwd));
%DE是驱动端数据 FE是风扇端数据 BA是加速度数据 选择其中一个就行
load 97.mat     %正常
load 107.mat    %直径0.007英寸,转速为1750时的  内圈故障
load 120.mat    %直径0.007,转速为1750时的  滚动体故障
load 132.mat    %直径0.007,转速为1750时的  外圈故障
load 171.mat    %直径0.014英寸,转速为1750时的  内圈故障
load 187.mat    %直径0.014英寸,转速为1750时的  滚动体故障
load 199.mat    %直径0.014英寸,转速为1750时的  外圈故障
load 211.mat   %直径0.021英寸,转速为1750时的  内圈故障
load 224.mat  %直径0.021英寸,转速为1750时的  滚动体故障
load 236.mat  %直径0.021英寸,转速为1750时的 外圈故障
w=1000;                  % w是滑动窗口的大小1000
s=2048;                  % 每个故障表示有2048个故障点
m = 10;  %每种故障有120个样本
D0=[];
for i =1:m
    D0 = [D0,X097_DE_time(1+w*(i-1):w*(i-1)+s)];
end
D0 = D0';

OCSSA优化VMD参数并特征提取的代码:

%%  此程序运行需要很长的时间!!
% vmddata.mat就是最终特征提取的结果!
%% 以最小包络熵、最小样本熵、最小信息熵、最小排列熵,排列熵/互信息熵,为目标函数(任选其一),采用OCSSA算法优化VMD,求取VMD最佳的两个参数
clear
clc
close all
addpath(genpath(pwd))
xz = 5;  %xz, 选择1,以最小包络熵为适应度函数,
% 选择2,以最小样本熵为适应度函数,
% 选择3,以最小信息熵为适应度函数,
% 选择4,以最小排列熵为适应度函数,
% 选择5,以复合指标:排列熵/互信息熵为适应度函数。
if xz == 1  
    fobj=@EnvelopeEntropyCost;          %最小包络熵
elseif xz == 2
    fobj=@SampleEntropyCost;            %最小样本熵
elseif xz == 3  
    fobj=@infoEntropyCost;              %最小信息熵
elseif xz == 4
    fobj=@PermutationEntropyCost;       %最小排列熵
elseif xz == 5
    fobj=@compositeEntropyCost;       %复合指标:排列熵/互信息熵
end
load data_total_1797.mat   %这里选取转速为1797的10种故障,大家也可以选取其他类型的数据
D=2;             % 优化变量数目
lb=[100 3];      % 下限值,分别是a,k
ub=[2500 10];        % 上限值
T=20;       % 最大迭代数目
N=20;        % 种群规模
vmddata = [];
for i=1:10   %因为有十种故障状态
    disp(['正在对第',num2str(i),'个故障类型的数据进行VMD优化……请耐心等待!'])
    every_data = data(1+120*(i-1):120*i,:);  %一种状态是120个样本,每次选120个样本进行VMD优化和特征提取
    da = every_data(1,:);  %从当前状态的数据中任选一组数据进行VMD优化即可。
    [OCSSABest_score,OCSSABest_pos,Bestidx,OCSSA_curve] = OCSSA(N,T,lb,ub,D,fobj,da');
    display(['第',num2str(i),'个故障类型数据的最佳VMD参数是:', num2str(fix(OCSSABest_pos)),'最佳IMF分量是:IMF',num2str(Bestidx)]);  %输出最佳位置
    %% 以下为将最佳的a,k,idx回带VMD中,并进行9种时域指标特征提取
    bbh = fix(OCSSABest_pos);%最佳位置取整
    zuijiazhi(i,:)=[bbh,Bestidx];   %把最佳的惩罚因子,模态分量,最小适应度值对应IMF分量的索引值保存在变量zuijiazhi里    
    quxian(i,:)=OCSSA_curve;  %把每种状态优化VMD寻优的曲线保存在quxian变量中
    new_data = tezhengtiqu(bbh(1),bbh(2),Bestidx,every_data);  %将优化得到的两个参数和最小适应度的索引值带回VMD中,提取得到当前状态的特征向量
    vmddata =  [vmddata;new_data];  %将每个状态提取得到的特征向量都放在一起
end
    save vmddata.mat vmddata  %将提取的特征向量保存为mat文件
    save zuijiazhi.mat zuijiazhi  %第一列为最佳的惩罚因子,第二列为最佳的模态分量,第三列为最小适应度值对应IMF分量的索引值
    save quxian.mat quxian  %每一行为一个状态的VMD优化收敛曲线
    %% 删除路径,以免被其他函数混淆
rmpath(genpath(pwd))

CNNBILSTM诊断的代码:

%% 初始化
clear
close all
clc
warning off
% 数据读取
addpath(genpath(pwd));
load data_total_1797.mat  %加载处理好的特征数据
% 数据载入
bv = 120;    %每种状态数据有120组
% 加标签值
hhh = size(data,2);
for i=1:size(data,1)/bv
    data(1+bv*(i-1):bv*i,hhh+1)=i;
end
input=data(:,1:hhh);
output =data(:,end);


jg = bv;   %每组120个样本
tn = 90;    %选前tn个样本进行训练
input_train = []; output_train = [];
input_test = []; output_test = [];
for i = 1:max(data(:,end))
    input_train=[input_train;input(1+jg*(i-1):jg*(i-1)+tn,:)];
    output_train=[output_train;output(1+jg*(i-1):jg*(i-1)+tn,:)];
    input_test=[input_test;input(jg*(i-1)+tn+1:i*jg,:)];
    output_test=[output_test;output(jg*(i-1)+tn+1:i*jg,:)];
end
input_train = input_train';
input_test = input_test';
%归一化
[inputn_train,inputps]=mapminmax(input_train);
[inputn_test,inputtestps]=mapminmax('apply',input_test,inputps); 
output_train = categorical(output_train);
output_test =  categorical(output_test);


for i = 1:size(input_train,2)
    Train_xNorm{i,:} = reshape(inputn_train(:,i),hhh,1,1);
end


for i = 1:size(input_test,2)
    Test_xNorm{i,:} = reshape(inputn_test(:,i),hhh,1,1);
end


numFeatures = size(input,2);
numHiddens = 120;
numClasses = 10;

代码获取

每一步代码都有非常详细的注释,数据替换也十分简单!

完整代码获取,点击下方卡片后台回复关键词:

tgdm826

你可能感兴趣的:(cnn,matlab,人工智能,神经网络,深度学习)