当前位置： 首页 > news >正文

Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类

news 2025/8/3 4:37:40

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-GRU并行模型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-GRU并行分类网络模型

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_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

Python轴承故障诊断 (七)基于EMD-CNN-LSTM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实现基于EMD的CNN-GRU并行模型对故障数据的分类。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()

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.tensory_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=8if len(imfs) > 8 :count_max += 1elif len(imfs) < 7:count_min += 1elif 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。

3 基于EMD-CNN-GRU并行模型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空间特征，同时将信号送入GRU层提取时序特征，最后把空间特征和时序特征进行融合，实现CNN-GRU并行模型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-GRU并行分类网络模型

3.3 设置参数，训练模型

50个epoch，准确率将近95%，用EMD-CNN-GRU并行网络分类效果显著，CNN-GRU并行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GRU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）

http://www.lryc.cn/news/263454.html

相关文章：

  • 鸿蒙实现年月日十分选择框，支持年月日、月日、日、年月日时分、时分切换
  • IntelliJ IDE 插件开发 | （三）消息通知与事件监听
  • VUE小知识点
  • 深入了解常见的应用层网络协议
  • 网络爬虫 多任务采集
  • 真实并发编程问题-1.钉钉面试题
  • 基于vue+element-plus+echarts制作动态绘图页面（柱状图，饼图和折线图）
  • 2312llvm,02前端
  • 【MATLAB源码-第101期】基于matlab的蝙蝠优化算BA)机器人栅格路径规划，输出做短路径图和适应度曲线。
  • 【数据结构】二叉树的模拟实现
  • open3d bug：pcd转txt前后位姿发生改变
  • 持续集成交付CICD：Jenkins使用GitLab共享库实现基于Ansible的CD流水线部署前后端应用
  • OpenAI 疑似正在进行 GPT-4.5 灰度测试！
  • DC-6靶场
  • 单片机应用实例：LED显示电脑电子钟
  • 会议剪影 | 思腾合力受邀出席首届CCF数字医学学术年会
  • node.js mongoose中间件（middleware）
  • [Toolschain cpp ros cmakelist python vscode] 记录写每次项目重复的设置和配置 不断更新
  • 【每日OJ—有效的括号（栈）】
  • .gitignore和git lfs学习
  • 2023-12-18 C语言实现一个最简陋的B-Tree
  • vite与webpack?
  • 距离矩阵路径优化Python Dijkstra(迪杰斯特拉)算法和冲突驱动子句学习
  • Selenium安装WebDriver：ChromeDriver与谷歌浏览器版本快速匹配_最新版120
  • 系统架构设计师教程（七）系统架构设计基础知识
  • Bifrost 中间件 X-Requested-With 系统身份认证绕过漏洞复现
  • OpenSSL 3.2.0新增Argon2支持——防GPU暴力攻击
  • 数据结构--稀疏矩阵及Java实现
  • 关于GPU使用过程中的若干问题
  • spring之面向切面：AOP（2）