故障诊断项目（一文搞懂所有流程）

0.摘要

本项目是史上最详细的、易理解的故障诊断学习项目，适合小白学习[项目中所有程序代码包含详细的注释*]。
本项目从原始信号处理，数据集制作，模型搭建，模型保存，特征可视化，混淆矩阵绘制等流程来帮助读者学习故障诊断。学懂本项目即可全面了解故障诊断的具体流程。
项目文件具体包含（以下所有程序文件均使用python语言和pytorch架构）：
1. CWRU原始信号数据；
2. 数据预处理程序文件：该文件包含加载原始信号、样本采样、信号变换、信号归一化、样本打标签、生成训练集和测试集。
3. 自己搭建的诊断模型程序文件，CWRU同工况诊断准确率可达100%；
4. 模型训练与测试程序文件，该文件的功能包括：
  （1）保存最佳诊断模型；
  （2）保存最佳模型预测的分类标签；
  （3）保存模型的训练过程，包括训练集的损失和准确率、测试集的损失和准确率，以及总的训练损失。
  （4）项目使用经验风险最小化优化模型。
5. 绘制混淆矩阵的程序文件，该文件可以读取保存的预测标签并绘制混淆矩阵；
6. 模型测试与特征抽取的程序文件，该文件可以：
   （1）加载4保存好的模型并进行测试模型的效果；
   （2）抽取模型提取的某一层特征，以便于特征可视化；
7. 特征可视化程序文件，该文件可以加载6抽取好的特征进行t-SNE可视化。
8. 本项目包含详细的程序说明文档，文档内容包括：数据集介绍、数据预处理过程介绍、模型结构与详细参数介绍、所有程序文件概述。

1.数据集介绍

1.1试验台介绍

CWRU凯斯西储大学数据集包括四种轴承不同轴承健康状态，即正常状态、内圈故障、外圈故障和滚动体故障。分别有7mils、14mils和21mils三种故障直径（1mils=0.0254mm）。该电动机在0hp、1hp、2hp、3hp四种不同的负载和1730r/min、1750r/min、1772r/min、1797r/min四种不同转速下收集振动信号。

1.2采集信号样本介绍

（1）正常数据样本

Motor Load (HP)	Approx. Motor Speed (rpm)	Normal Baseline Data
0	1797	97.mat
1	1772	98.mat
2	1750	99.mat
3	1730	100.mat

（2）故障数据样本

故障直径	电机负载 (HP)	电机 转速 (rpm)	内圈 故障	滚珠故障	外圈故障
					Centered @6:00	Orthogonal @3:00	Opposite @12:00
0.007"	0	1797	105.mat	118.mat	130.mat	144.mat	156.mat
	1	1772	106.mat	119.mat	131.mat	145.mat	158.mat
	2	1750	107.mat	120.mat	132.mat	146.mat	159.mat
	3	1730	108.mat	121.mat	133.mat	147.mat	160.mat
0.014"	0	1797	169.mat	185.mat	197.mat	*	*
	1	1772	170.mat	186.mat	198.mat	*	*
	2	1750	171.mat	187.mat	199.mat	*	*
	3	1730	172.mat	188.mat	200.mat	*	*
0.021"	0	1797	209.mat	222.mat	234.mat	246.mat	258.mat
	1	1772	210.mat	223.mat	235.mat	247.mat	259.mat
	2	1750	211.mat	224.mat	236.mat	248.mat	260.mat
	3	1730	212.mat	225.mat	237.mat	249.mat	261.mat

2.数据预处理

数据预处理部分主要是将原始信号划分为训练集和测试集，以用于训练模型。该部分包括：

•  加载原始信号，从.mat原始数据中加载信号数据；
• 信号分割，即将原始信号分割为多个样本；
• 信号变换，将时域信号转换为频域信号；
• 信号归一化，将信号进行归一化处理；
• 信号重塑，将信号转换为[batch, channel, height, weight]的数据，以便于输入卷积模型；
• 数据集生成，将每个类别的样本和标签进行拼接，组成一个完成的训练集。 

2.1加载原始信号

从mat文件中加载原始的信号，如下图所示。

​

图1. 原始信号

2.2信号分割

从原始信号中随机采样n个样本长度为1024的样本，如下图所示。

​

图2. 截取的单个样本信号

2.3对原始信号进行FFT变换

​

图3. 时域信号变换为频域信号

2.4信号重塑

将长度为[1024]的一维频域信号重塑为[32, 32]的二维信号，如下图所示。

​

图5. 二维信号

3.模型介绍

3.1模型结构介绍

本项目使用的轻量化模型主要由标准卷积（Conv1和Conv2）、轻量化特征提取块（Block1和Block2）和分组卷积GC组成，如图6所示。

图6. 诊断模型结构

3.2模型结构参数介绍

具体的模型结构如表1所示，如果不理解可以查看ShuffleNet参考文献。

表1. 诊断模型详细结构参数

4.程序介绍

  

4.1 CWRU_original_data文件夹

该文件夹包含了第2章介绍的原始信号数据。

4.2 Data_processing文件夹

数据预处理文件夹

•  Data_Preprocessing.py：从采集的原始数据集中读取数据，划分训练集和测试集，并进行频域相关变换等。
• Data_Preprocessing_API_functions.py：数据预处理接口函数，包含FFT变换，STFT变换等，建议使用：FFT变换。 

4.3 CWRU_dataset文件夹

由3.2生成的训练集和测试集。

4.4 models文件夹

1. SCARA_res_net.py：故障诊断主干模型
2. SCARA_res_blo.py： 主干模型的特征提取模块

4.5 ERM_main.py

该文件为主函数，运行该文件可以训练和测试模型，并且可以保存训练好的模型，保存模型输出的预测标签，以便于绘制混淆矩阵。此外，该文件可以保存模型的训练历史记录，包括训练集的准确率和损失，测试集的准去率和损失。

4.6 save_dir文件夹

该文件夹包含训练的历史记录与保存的最佳模型。

4.7 ConfusionMatrix文件夹

•  predicted_label文件夹：包含了模型输出的预测标签。
• Confusion_matrix_plot.py：根据预测标签与真实标签画混淆矩阵。 

绘制的混淆矩阵如下：

  

图7. 混淆矩阵

4.8 load_model_and_extract_features文件夹

• load_model_and_filter_features.py：加载一个文件夹中的所有模型，并提取所有模型的某一层的特征。

4.9 t-SNE文件夹

•  features文件夹：由3.8加载模型并抽取的模型某一层的特征。
• t-SNE_for_feature_visualization.py：对模型提取的特征进行可视化。 

绘制的特征可视化结果如下图所示。

图8. 不同任务之间的特征可视化结果

4.10 utils_dsbn文件夹

此文件夹为一些小函数，了解保存模型训练数据的save_other_functions.py文件即可。