Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类

目录

前言

1 经验模态分解EMD的Python示例

2 轴承故障数据的预处理

2.1 导入数据

2.2 制作数据集和对应标签

2.3 故障数据的EMD分解可视化

2.4 故障数据的EMD分解预处理

3 基于EMD-CNN-LSTM的轴承故障诊断分类

3.1 训练数据、测试数据分组,数据分batch

3.2 定义EMD-CNN-LSTM分类网络模型

3.3 设置参数,训练模型


Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类_第1张图片

往期精彩内容:

Python-凯斯西储大学(CWRU)轴承数据解读与分类处理_cwru轴承数据集-CSDN博客

Python轴承故障诊断 (一)短时傅里叶变换STFT-CSDN博客

Python轴承故障诊断 (二)连续小波变换CWT-CSDN博客

Python轴承故障诊断 (三)经验模态分解EMD-CSDN博客

Pytorch-LSTM轴承故障一维信号分类(一)-CSDN博客

Pytorch-CNN轴承故障一维信号分类(二)-CSDN博客

Pytorch-Transformer轴承故障一维信号分类(三)-CSDN博客

Python轴承故障诊断 (四)基于EMD-CNN的故障分类-CSDN博客

Python轴承故障诊断 (五)基于EMD-LSTM的故障分类-CSDN博客

Python轴承故障诊断 (六)基于EMD-Transformer的故障分类-CSDN博客

前言

本文基于凯斯西储大学(CWRU)轴承数据,进行经验模态分解EMD的介绍与数据预处理,最后通过Python实现EMD-CNN-LSTM对故障数据的分类。凯斯西储大学轴承数据的详细介绍可以参考下文:

Python-凯斯西储大学(CWRU)轴承数据解读与分类处理_cwru轴承数据集-CSDN博客

经验模态分解EMD的原理可以参考如下:   

Python轴承故障诊断 (三)经验模态分解EMD-CSDN博客

1 经验模态分解EMD的Python示例

第一步,Python 中 EMD包的下载安装:

# 下载
pip install EMD-signal
​
# 导入
from PyEMD import EMD

切记,很多同学安装失败,不是 pip install EMD,也不是pip install PyEMD, 如果 pip list 中 已经有 emd,emd-signal,pyemd包的存在,要先 pip uninstall 移除相关包,然后再进行安装。

第二步,导入相关包

import numpy as np
from PyEMD import EMD
​
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rc("font", family='Microsoft YaHei')

第三步,生成一个信号示例

t = np.linspace(0, 1, 1000)
signal = np.sin(11*2*np.pi*t*t) + 6*t*t

第四步,创建EMD对象,进行分解

emd = EMD()
# 对信号进行经验模态分解
IMFs = emd(signal)

第五步,绘制原始信号和每个本征模态函数(IMF)

plt.figure(figsize=(15,10))
​
plt.subplot(len(IMFs)+1, 1, 1)
​
plt.plot(t, signal, 'r')
plt.title("原始信号")
​
for num, imf in enumerate(IMFs):
    plt.subplot(len(IMFs)+1, 1, num+2)
    plt.plot(t, imf)
    plt.title("IMF "+str(num+1))
​
plt.show()

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类_第2张图片

2 轴承故障数据的预处理

2.1 导入数据

参考之前的文章,进行故障10分类的预处理,凯斯西储大学轴承数据10分类数据集:

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类_第3张图片

train_set、val_set、test_set 均为按照7:2:1划分训练集、验证集、测试集,最后保存数据

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类_第4张图片

上图是数据的读取形式以及预处理思路

2.2 制作数据集和对应标签

第一步, 生成数据集

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类_第5张图片

第二步,制作数据集和标签

# 制作数据集和标签
import torch
​
# 这些转换是为了将数据和标签从Pandas数据结构转换为PyTorch可以处理的张量,
# 以便在神经网络中进行训练和预测。
​
def make_data_labels(dataframe):
    '''
        参数 dataframe: 数据框
        返回 x_data: 数据集     torch.tensor
            y_label: 对应标签值  torch.tensor
    '''
    # 信号值
    x_data = dataframe.iloc[:,0:-1]
    # 标签值
    y_label = dataframe.iloc[:,-1]
    x_data = torch.tensor(x_data.values).float()
    y_label = torch.tensor(y_label.values, dtype=torch.int64)  # 指定了这些张量的数据类型为64位整数,通常用于分类任务的类别标签
    return x_data, y_label
​
# 加载数据
train_set = load('train_set')
val_set = load('val_set')
test_set = load('test_set')
​
# 制作标签
train_xdata, train_ylabel = make_data_labels(train_set)
val_xdata, val_ylabel = make_data_labels(val_set)
test_xdata, test_ylabel = make_data_labels(test_set)
# 保存数据
dump(train_xdata, 'trainX_1024_10c')
dump(val_xdata, 'valX_1024_10c')
dump(test_xdata, 'testX_1024_10c')
dump(train_ylabel, 'trainY_1024_10c')
dump(val_ylabel, 'valY_1024_10c')
dump(test_ylabel, 'testY_1024_10c')

2.3 故障数据的EMD分解可视化

选择正常信号和 0.021英寸内圈、滚珠、外圈故障信号数据来做对比

第一步,导入包,读取数据

import numpy as np
from scipy.io import loadmat
import numpy as np
from scipy.signal import stft
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rc("font", family='Microsoft YaHei')
​
# 读取MAT文件   
data1 = loadmat('0_0.mat')  # 正常信号
data2 = loadmat('21_1.mat') # 0.021英寸 内圈
data3 = loadmat('21_2.mat') # 0.021英寸 滚珠
data4 = loadmat('21_3.mat') # 0.021英寸 外圈
# 注意,读取出来的data是字典格式,可以通过函数type(data)查看。

第二步,数据集中统一读取 驱动端加速度数据,取一个长度为1024的信号进行后续观察和实验

# DE - drive end accelerometer data 驱动端加速度数据
data_list1 = data1['X097_DE_time'].reshape(-1)
data_list2 = data2['X209_DE_time'].reshape(-1)  
data_list3 = data3['X222_DE_time'].reshape(-1)
data_list4 = data4['X234_DE_time'].reshape(-1)
# 划窗取值(大多数窗口大小为1024)
​
time_step= 1024
data_list1 = data_list1[0:time_step]
data_list2 = data_list2[0:time_step]
data_list3 = data_list3[0:time_step]
data_list4 = data_list4[0:time_step]

第三步,进行数据可视化

plt.figure(figsize=(20,10))
plt.subplot(2,2,1)
plt.plot(data_list1)
plt.title('正常')
plt.subplot(2,2,2)
plt.plot(data_list2)
plt.title('内圈')
plt.subplot(2,2,3)
plt.plot(data_list3)
plt.title('滚珠')
plt.subplot(2,2,4)
plt.plot(data_list4)
plt.title('外圈')
plt.show()

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类_第6张图片

第四步,首先对正常数据进行EMD分解

import numpy as np
import matplotlib.pyplot as plt
from PyEMD import EMD
​
t = np.linspace(0, 1, time_step)
data = np.array(data_list1)
# 创建 EMD 对象
emd = EMD()
​
# 对信号进行经验模态分解
IMFs = emd(data)
​
# 绘制原始信号和每个本征模态函数(IMF)
plt.figure(figsize=(15,10))
plt.subplot(len(IMFs)+1, 1, 1)
plt.plot(t, data, 'r')
plt.title("Original signal", fontsize=10)
​
for num, imf in enumerate(IMFs):
    plt.subplot(len(IMFs)+1, 1, num+2)
    plt.plot(t, imf)
    plt.title("IMF "+str(num+1), fontsize=10)
    # 增加第一排图和第二排图之间的垂直间距
plt.subplots_adjust(hspace=0.4, wspace=0.2)
plt.show()

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类_第7张图片

其次,内圈故障EMD分解:

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类_第8张图片

然后,滚珠故障EMD分解:

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类_第9张图片

最后,外圈故障EMD分解:

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类_第10张图片

注意,在信号的制作过程中,信号长度的选取比较重要,选择信号长度为1024,既能满足信号在时间维度上的分辨率,也能在后续的EMD分解中分解出数量相近的IMF分量,为进一步做故障模式识别打下基础。

2.4 故障数据的EMD分解预处理

对于EMD分解出的IMF分量个数,并不是所有的样本信号都能分解出8个分量,需要做一下定量分析:

import numpy as np
from PyEMD import EMD
​
# 加载训练集
train_xdata = load('trainX_1024_10c')
data = np.array(train_xdata)
​
# 创建 EMD 对象
emd = EMD()
​
print("测试集:", len(data))
count_min = 0
count_max = 0
count_7 = 0
# 对数据进行EMD分解
for i in range(1631):
    imfs = emd(data[i], max_imf=8)  # max_imf=8
    if len(imfs) > 8 :
        count_max += 1
    elif len(imfs) < 7:
        count_min += 1
    elif len(imfs) == 7:
        count_7 += 1
​
​
print("分解结果IMF大于8:", count_max)
print("分解结果IMF小于7:", count_min)
print("分解结果IMF等于7:", count_7)

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类_第11张图片

由结果可以看出,大部分信号样本 都分解出8个分量,将近1/3的信号分解的不是8个分量。EMD设置不了分解出模态分量的数量(函数自适应),为了使一维信号分解,达到相同维度的分量特征,有如下3种处理方式:

  • 删除分解分量不统一的样本(少量存在情况可以采用);

  • 对于分量个数少的样本采用0值或者其他方法进行特征填充,使其对齐其他样本分量的维度(向多兼容);

  • 合并分量数量多的信号(向少兼容);

本文采用第二、三条结合的方式进行预处理,即删除分量小于7的样本,对于分量大于7的样本,把多余的分量进行合并,使所有信号的分量特征保持同样的维度。

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类_第12张图片

3 基于EMD-CNN-LSTM的轴承故障诊断分类

下面基于EMD分解后的轴承故障数据,先通过CNN进行卷积池化操作提取信号的特征,增加维度,缩短序列长度,然后再送入LSTM层提取时序特征,实现CNN-LSTM信号的分类方法进行讲解:

3.1 训练数据、测试数据分组,数据分batch

import torch
from joblib import dump, load
import torch.utils.data as Data
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
# 参数与配置
torch.manual_seed(100)  # 设置随机种子,以使实验结果具有可重复性
device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 有GPU先用GPU训练
​
# 加载数据集
def dataloader(batch_size, workers=2):
    # 训练集
    train_xdata = load('trainX_1024_10c')
    train_ylabel = load('trainY_1024_10c')
    # 验证集
    val_xdata = load('valX_1024_10c')
    val_ylabel = load('valY_1024_10c')
    # 测试集
    test_xdata = load('testX_1024_10c')
    test_ylabel = load('testY_1024_10c')
​
    # 加载数据
    train_loader = Data.DataLoader(dataset=Data.TensorDataset(train_xdata, train_ylabel),
                                   batch_size=batch_size, shuffle=True, num_workers=workers, drop_last=True)
    val_loader = Data.DataLoader(dataset=Data.TensorDataset(val_xdata, val_ylabel),
                                 batch_size=batch_size, shuffle=True, num_workers=workers, drop_last=True)
    test_loader = Data.DataLoader(dataset=Data.TensorDataset(test_xdata, test_ylabel),
                                  batch_size=batch_size, shuffle=True, num_workers=workers, drop_last=True)
    return train_loader, val_loader, test_loader
​
batch_size = 32
# 加载数据
train_loader, val_loader, test_loader = dataloader(batch_size)

3.2 定义EMD-CNN-LSTM分类网络模型

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类_第13张图片

3.3 设置参数,训练模型

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类_第14张图片

50个epoch,准确率将近97%,用EMD-CNN-LSTM网络分类效果显著,CNN-LSTM模型能够充分提取轴承故障信号的空间和时序特征,收敛速度快,性能优越,继续调参可以进一步提高分类准确率。

注意调整参数:

  • 可以适当增加CNN层数和隐藏层的维度,微调学习率;

  • 调整LSTM层数和维度数,增加更多的 epoch (注意防止过拟合)

  • 可以改变一维信号堆叠的形状(设置合适的长度和维度)

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类_第15张图片

你可能感兴趣的:(信号处理,python,cnn,lstm)