Python軸承故障診斷—基于EMD-CNN的故障分類

1 經(jīng)驗(yàn)?zāi)B(tài)分解EMD的Python示例

第一步，Python 中 EMD包的下載安裝：

# 下載
pip install EMD-signal


# 導(dǎo)入
from PyEMD import EMD

切記，很多同學(xué)安裝失敗，不是pip install EMD，也不是pip install PyEMD， 如果 pip list 中 已經(jīng)有 emd，emd-signal，pyemd包的存在，要先 pip uninstall 移除相關(guān)包，然后再進(jìn)行安裝。

第二步，導(dǎo)入相關(guān)包

importnumpyasnp
from PyEMD import EMD
importmatplotlib.pyplotasplt
importmatplotlib
matplotlib.rc("font", family='Microsoft YaHei')

第三步，生成一個(gè)信號(hào)示例

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

第四步，創(chuàng)建EMD對(duì)象，進(jìn)行分解

emd = EMD()
# 對(duì)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解
IMFs = emd(signal)

第五步，繪制原始信號(hào)和每個(gè)本征模態(tài)函數(shù)（IMF）

plt.figure(figsize=(15,10))
plt.subplot(len(IMFs)+1, 1, 1)
plt.plot(t, signal, 'r')
plt.title("原始信號(hào)")


fornum, imfinenumerate(IMFs):
    plt.subplot(len(IMFs)+1, 1, num+2)
    plt.plot(t, imf)
    plt.title("IMF "+str(num+1))


plt.show()

2 軸承故障數(shù)據(jù)的預(yù)處理

2.1 導(dǎo)入數(shù)據(jù)

參考之前的文章，進(jìn)行故障10分類的預(yù)處理，凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)10分類數(shù)據(jù)集：

train_set、val_set、test_set 均為按照7：2：1劃分訓(xùn)練集、驗(yàn)證集、測(cè)試集，最后保存數(shù)據(jù)

上圖是數(shù)據(jù)的讀取形式以及預(yù)處理思路

2.2 制作數(shù)據(jù)集和對(duì)應(yīng)標(biāo)簽

第一步， 生成數(shù)據(jù)集

第二步，制作數(shù)據(jù)集和標(biāo)簽

# 制作數(shù)據(jù)集和標(biāo)簽
import torch


# 這些轉(zhuǎn)換是為了將數(shù)據(jù)和標(biāo)簽從Pandas數(shù)據(jù)結(jié)構(gòu)轉(zhuǎn)換為PyTorch可以處理的張量，
# 以便在神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練和預(yù)測(cè)。


def make_data_labels(dataframe):
    '''
        參數(shù) dataframe: 數(shù)據(jù)框
        返回 x_data: 數(shù)據(jù)集     torch.tensor
            y_label: 對(duì)應(yīng)標(biāo)簽值  torch.tensor
    '''
    # 信號(hào)值
    x_data = dataframe.iloc[:,0:-1]
    # 標(biāo)簽值
    y_label = dataframe.iloc[:,-1]
    x_data = torch.tensor(x_data.values).float()
    y_label = torch.tensor(y_label.values, dtype=torch.int64)  # 指定了這些張量的數(shù)據(jù)類型為64位整數(shù)，通常用于分類任務(wù)的類別標(biāo)簽
    return x_data, y_label


# 加載數(shù)據(jù)
train_set = load('train_set')
val_set = load('val_set')
test_set = load('test_set')


# 制作標(biāo)簽
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)
# 保存數(shù)據(jù)
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 故障數(shù)據(jù)的EMD分解可視化

選擇正常信號(hào)和 0.021英寸內(nèi)圈、滾珠、外圈故障信號(hào)數(shù)據(jù)來做對(duì)比

第一步，導(dǎo)入包，讀取數(shù)據(jù)

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')


# 讀取MAT文件
data1 = loadmat('0_0.mat')  # 正常信號(hào)
data2 = loadmat('21_1.mat') # 0.021英寸 內(nèi)圈
data3 = loadmat('21_2.mat') # 0.021英寸 滾珠
data4 = loadmat('21_3.mat') # 0.021英寸 外圈
# 注意，讀取出來的data是字典格式，可以通過函數(shù)type(data)查看。

第二步，數(shù)據(jù)集中統(tǒng)一讀取 驅(qū)動(dòng)端加速度數(shù)據(jù)，取一個(gè)長(zhǎng)度為1024的信號(hào)進(jìn)行后續(xù)觀察和實(shí)驗(yàn)

# DE - drive end accelerometer data 驅(qū)動(dòng)端加速度數(shù)據(jù)
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)
# 劃窗取值（大多數(shù)窗口大小為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，進(jìn)行數(shù)據(jù)可視化

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('內(nèi)圈')
plt.subplot(2,2,3)
plt.plot(data_list3)
plt.title('滾珠')
plt.subplot(2,2,4)
plt.plot(data_list4)
plt.title('外圈')
plt.show()

第四步，首先對(duì)正常數(shù)據(jù)進(jìn)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)
# 創(chuàng)建 EMD 對(duì)象
emd = EMD()


# 對(duì)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解
IMFs = emd(data)


# 繪制原始信號(hào)和每個(gè)本征模態(tài)函數(shù)（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)
    # 增加第一排圖和第二排圖之間的垂直間距
plt.subplots_adjust(hspace=0.4, wspace=0.2)
plt.show()

其次，內(nèi)圈故障EMD分解：

然后，滾珠故障EMD分解：

最后，外圈故障EMD分解：

注意，在信號(hào)的制作過程中，信號(hào)長(zhǎng)度的選取比較重要，選擇信號(hào)長(zhǎng)度為1024，既能滿足信號(hào)在時(shí)間維度上的分辨率，也能在后續(xù)的EMD分解中分解出數(shù)量相近的IMF分量，為進(jìn)一步做故障模式識(shí)別打下基礎(chǔ)。

2.4 故障數(shù)據(jù)的EMD分解預(yù)處理

對(duì)于EMD分解出的IMF分量個(gè)數(shù)，并不是所有的樣本信號(hào)都能分解出8個(gè)分量，需要做一下定量分析：

import numpy as np
from PyEMD import EMD


# 加載訓(xùn)練集
train_xdata = load('trainX_1024_10c')
data = np.array(train_xdata)


# 創(chuàng)建 EMD 對(duì)象
emd = EMD()


print("測(cè)試集：", len(data))
count_min = 0
count_max = 0
count_7 = 0
# 對(duì)數(shù)據(jù)進(jìn)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("分解結(jié)果IMF大于8：", count_max)
print("分解結(jié)果IMF小于7：", count_min)
print("分解結(jié)果IMF等于7：", count_7)

由結(jié)果可以看出，大部分信號(hào)樣本 都分解出8個(gè)分量，將近1/3的信號(hào)分解的不是8個(gè)分量。EMD設(shè)置不了分解出模態(tài)分量的數(shù)量（函數(shù)自適應(yīng)），為了使一維信號(hào)分解，達(dá)到相同維度的分量特征，有如下3種處理方式：

• 刪除分解分量不統(tǒng)一的樣本（少量存在情況可以采用）；
• 對(duì)于分量個(gè)數(shù)少的樣本采用0值或者其他方法進(jìn)行特征填充，使其對(duì)齊其他樣本分量的維度（向多兼容）；
• 合并分量數(shù)量多的信號(hào)（向少兼容）；

本文采用第二、三條結(jié)合的方式進(jìn)行預(yù)處理，即刪除分量小于7的樣本，對(duì)于分量大于7的樣本，把多余的分量進(jìn)行合并，使所有信號(hào)的分量特征保持同樣的維度。

3 基于EMD-CNN的軸承故障診斷分類

下面基于EMD分解后的軸承故障數(shù)據(jù)，通過CNN進(jìn)行一維卷積作為的分類方法進(jìn)行講解：

3.1 訓(xùn)練數(shù)據(jù)、測(cè)試數(shù)據(jù)分組，數(shù)據(jù)分batch

import torch
from joblib import dump, load
import torch.utils.data asData
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
# 參數(shù)與配置
torch.manual_seed(100)  # 設(shè)置隨機(jī)種子，以使實(shí)驗(yàn)結(jié)果具有可重復(fù)性
device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 有GPU先用GPU訓(xùn)練


# 加載數(shù)據(jù)集
def dataloader(batch_size, workers=2):
    # 訓(xùn)練集
    train_xdata = load('trainX_1024_10c')
    train_ylabel = load('trainY_1024_10c')
    # 驗(yàn)證集
    val_xdata = load('valX_1024_10c')
    val_ylabel = load('valY_1024_10c')
    # 測(cè)試集
    test_xdata = load('testX_1024_10c')
    test_ylabel = load('testY_1024_10c')


    # 加載數(shù)據(jù)
    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
# 加載數(shù)據(jù)
train_loader, val_loader, test_loader = dataloader(batch_size)

3.2 定義EMDVGG1d網(wǎng)絡(luò)模型

3.3 設(shè)置參數(shù)，訓(xùn)練模型

200個(gè)epoch，準(zhǔn)確率將近96%，用淺層的VGG效果明顯，繼續(xù)調(diào)參可以進(jìn)一步提高分類準(zhǔn)確率。