Python轴承故障诊断—基于EMD-CNN的故障分类
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
importnumpyasnpfrom pyemd import emdimportmatplotlib.pyplotaspltimportmatplotlibmatplotlib.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)fornum, imfinenumerate(imfs): plt.subplot(len(imfs)+1, 1, num+2) plt.plot(t, imf) plt.title(imf +str(num+1))plt.show()
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：
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 npfrom scipy.io import loadmatimport numpy as npfrom scipy.signal import stftimport matplotlib.pyplot as pltimport matplotlibmatplotlib.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= 1024data_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 npimport matplotlib.pyplot as pltfrom pyemd import emdt = 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 npfrom 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 = 0count_max = 0count_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 += 1print(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。
3 基于emd-cnn的轴承故障诊断分类
下面基于emd分解后的轴承故障数据，通过cnn进行一维卷积作为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 torchfrom joblib import dump, loadimport torch.utils.data asdataimport numpy as npimport pandas as pdimport torchimport 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_loaderbatch_size = 32# 加载数据train_loader, val_loader, test_loader = dataloader(batch_size)3.2 定义emdvgg1d网络模型
3.3 设置参数，训练模型
200个epoch，准确率将近96%，用浅层的vgg效果明显，继续调参可以进一步提高分类准确率。
安费诺DDR5 SO-DIMM连接器可满足高速和带宽要求应用
ESD静电保护器件如何选型、采购？
基于MSP430单片机的温度测量实验设计[图]
Y型过滤器
维修泰克MSO3012混合信号示波器无法开机
Python轴承故障诊断—基于EMD-CNN的故障分类
性价比高的蓝牙耳机推荐，分分钟选好最合适的蓝牙耳机
小米2020年Q4出货量斩获中国智能手机品牌榜第一
与5G通信技术相结合让贫困地区也能体验的VR沉浸式教学
μC/OS-II的多任务系统实时性分析与优先级分配
四维图推出AC7801X车规级MCU芯片 进一步拓宽在国内车身控制领域的市场份额
TVS瞬态抑制二极管与ESD管有什么联系？区别在哪儿？
锂电池品牌国内十大储能电池厂家排行榜
在未来药物可以通过微小的、可变形的机器人来输送
数据科学家通过分析谷歌的匿名搜索数据，揭示了我们最黑暗的一些秘密
大幅面扫描仪的消蓝功能
还在为CAN接口不够而发愁？全国产器件高性价比CAN接口扩展芯片CSM330A满足你
常用的室内定位方案技术中，蓝牙定位为什么能脱颖而出？
关于人工智能技术在金融领域中的重要性
兴森科技半导体综合解决方案助力电子科技持续创新
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
importnumpyasnpfrom pyemd import emdimportmatplotlib.pyplotaspltimportmatplotlibmatplotlib.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)fornum, imfinenumerate(imfs): plt.subplot(len(imfs)+1, 1, num+2) plt.plot(t, imf) plt.title(imf +str(num+1))plt.show()
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：
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 npfrom scipy.io import loadmatimport numpy as npfrom scipy.signal import stftimport matplotlib.pyplot as pltimport matplotlibmatplotlib.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= 1024data_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 npimport matplotlib.pyplot as pltfrom pyemd import emdt = 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 npfrom 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 = 0count_max = 0count_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 += 1print(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。
3 基于emd-cnn的轴承故障诊断分类
下面基于emd分解后的轴承故障数据，通过cnn进行一维卷积作为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 torchfrom joblib import dump, loadimport torch.utils.data asdataimport numpy as npimport pandas as pdimport torchimport 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_loaderbatch_size = 32# 加载数据train_loader, val_loader, test_loader = dataloader(batch_size)3.2 定义emdvgg1d网络模型
3.3 设置参数，训练模型
200个epoch，准确率将近96%，用浅层的vgg效果明显，继续调参可以进一步提高分类准确率。
安费诺DDR5 SO-DIMM连接器可满足高速和带宽要求应用
ESD静电保护器件如何选型、采购？
基于MSP430单片机的温度测量实验设计[图]
Y型过滤器
维修泰克MSO3012混合信号示波器无法开机
Python轴承故障诊断—基于EMD-CNN的故障分类
性价比高的蓝牙耳机推荐，分分钟选好最合适的蓝牙耳机
小米2020年Q4出货量斩获中国智能手机品牌榜第一
与5G通信技术相结合让贫困地区也能体验的VR沉浸式教学
μC/OS-II的多任务系统实时性分析与优先级分配
四维图推出AC7801X车规级MCU芯片 进一步拓宽在国内车身控制领域的市场份额
TVS瞬态抑制二极管与ESD管有什么联系？区别在哪儿？
锂电池品牌国内十大储能电池厂家排行榜
在未来药物可以通过微小的、可变形的机器人来输送
数据科学家通过分析谷歌的匿名搜索数据，揭示了我们最黑暗的一些秘密
大幅面扫描仪的消蓝功能
还在为CAN接口不够而发愁？全国产器件高性价比CAN接口扩展芯片CSM330A满足你
常用的室内定位方案技术中，蓝牙定位为什么能脱颖而出？
关于人工智能技术在金融领域中的重要性
兴森科技半导体综合解决方案助力电子科技持续创新