| Python轴承故障诊断 (七)基于EMD | 您所在的位置：网站首页 › CWRU数据集pytorch 预测 › Python轴承故障诊断 (七)基于EMD |
Python轴承故障诊断 (七)基于EMD
|
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 
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 Python轴承故障诊断 (一)短时傅里叶变换STFT Python轴承故障诊断 (二)连续小波变换CWT_pyts 小波变换 故障-CSDN博客 Python轴承故障诊断 (三)经验模态分解EMD_轴承诊断 pytorch-CSDN博客 Pytorch-LSTM轴承故障一维信号分类(一)_cwru数据集pytorch训练-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 Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类-CSDN博客 Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类-CSDN博客 基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型-CSDN博客 基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客 大甩卖-（CWRU）轴承故障诊数据集和代码全家桶-CSDN博客 Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类-CSDN博客 Python轴承故障诊断 (十)基于VMD+CNN-Transfromer的故障分类-CSDN博客 Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类-CSDN博客 交叉注意力融合时域、频域特征的FFT + CNN -BiLSTM-CrossAttention轴承故障识别模型-CSDN博客 交叉注意力融合时域、频域特征的FFT + CNN-Transformer-CrossAttention轴承故障识别模型-CSDN博客 轴承故障诊断 (12)基于交叉注意力特征融合的VMD+CNN-BiLSTM-CrossAttention故障识别模型-CSDN博客 Python轴承故障诊断入门教学-CSDN博客 Python轴承故障诊断 (13)基于故障信号特征提取的超强机器学习识别模型-CSDN博客 Python轴承故障诊断 (14)高创新故障识别模型-CSDN博客 Python轴承故障诊断 (15)基于CNN-Transformer的一维故障信号识别模型-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()
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：
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
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
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()
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()
其次，内圈故障EMD分解：
然后，滚珠故障EMD分解：
最后，外圈故障EMD分解：
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)
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。
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
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） 代码、数据如下：对数据集和代码感兴趣的，可以关注最后一行 # 加载数据 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") #代码和数据集：https://mbd.pub/o/bread/ZZiWkp1v
|
【本文地址】