青岛网站开发建设,seo店铺描述,教育信息化建设网站,影视后期线上培训哪个机构好目录
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的轴承故障诊断分类
3.1 训练数据、测试数据分组#xff0c;数据分batch
3.2 定义…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-VGG1d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
Python轴承故障诊断 (三)经验模态分解EMD
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
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 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 emdemd-signalpyemd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
importnumpyasnp
from PyEMD import EMD
importmatplotlib.pyplotasplt
importmatplotlib
matplotlib.rc(font, familyMicrosoft 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, num2)plt.plot(t, imf)plt.title(IMF str(num1))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721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, dtypetorch.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, familyMicrosoft 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 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, fontsize10)for num, imf in enumerate(IMFs):plt.subplot(len(IMFs)1, 1, num2)plt.plot(t, imf)plt.title(IMF str(num1), fontsize10)# 增加第一排图和第二排图之间的垂直间距
plt.subplots_adjust(hspace0.4, wspace0.2)
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_imf8) # max_imf8if len(imfs) 8 :count_max 1elif len(imfs) 7:count_min 1elif 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 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, workers2):# 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(datasetData.TensorDataset(train_xdata, train_ylabel),batch_sizebatch_size, shuffleTrue, num_workersworkers, drop_lastTrue)val_loader Data.DataLoader(datasetData.TensorDataset(val_xdata, val_ylabel),batch_sizebatch_size, shuffleTrue, num_workersworkers, drop_lastTrue)test_loader Data.DataLoader(datasetData.TensorDataset(test_xdata, test_ylabel),batch_sizebatch_size, shuffleTrue, num_workersworkers, drop_lastTrue)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EMD-VGG1d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。
