前言
以东南大学齿轮数据集,选取行星齿轮z方向振动信号数据,选取 1024 个连续采样点为一个信号样本,通过小波变换将一个时域信号样本转换成时频图像。采集到 5 类运行状态的传感器信号,每一类到采集 1000 个时域图像,将总体样本按照 9:1 的比例划分训练集与测试集,传输到CNN网络上,进行故障分类。
数据集(本文选取了第四列行星齿轮z方向):
一、小波时域
1. 小波时域图介绍
机械设备不同运转状态下展现出来的时域、频域模式是各不相同的,因此可以利
用二维时频图像中特有的特征信息作为故障相关特征,通过深度神经网络来训练学习,
从而实现故障分类识别。有很多种方法可以实现时频分布的生成,考虑到时频域分辨
率问题,小波变换是一种广泛应用于机械故障诊断领域的时频分析方法,因此本文使
用连续小波变换( CWT )来实现一维时间序列的时频分布生成。
2. Matlab提取时域图并保存
以保存surface为例,提取1000张小波时域图并保存
Matlab代码如下:
%%
%东南大学齿轮箱数据集;保存1000个时频图
clear
clc
N = 1024000;
fs = 5120;
t = (1:1:1024)/fs; %采样时间
%load('healthtest.mat');
%s = healthtest(:,1)';
load('surface.mat');
s = surface(:,1)';
y_reshaped = reshape(s,1024,1000)';
for i = 1:size(y_reshaped, 1)
%figure(1)
%subplot(16,1,i);
%plot(t,y_reshaped(i,:))
%xlabel('时间/s')
%ylabel('时域幅值/A')
%title('时域波形') %时域波形
% 连续小波变换
wavename='cmor3-3';%表示连续小波变换中使用的一个特定的 Morlet 小波
totalscal=256;
Fc=centfrq(wavename); % 小波的中心频率
c=2*Fc*totalscal;
scals=c./(1:totalscal);
f=scal2frq(scals,wavename,1/fs); % 将尺度转换为频率
coefs=cwt(y_reshaped(i,:),scals,wavename); % 求连续小波系数
%figure
imagesc(t,f,abs(coefs));
set(gca,'YDir','normal')
colorbar;
xlabel('时间 t/s');
ylabel('频率 f/Hz');
%title('小波时频图');
%axis([0 8 0 5000])
axis off;
colorbar('off');
folder = 'C:\Users\16021\Desktop\WCT\data\surface'; % 修改为您的文件夹路径
% 构造文件名
filename = sprintf('surface.%d.png', i);
% 保存绘图到指定文件夹
saveas(gcf, fullfile(folder, filename), 'png');
end
生成五组时域图,每组含有1000张时域图:
二、CNN图像分类
1.训练集和测试集
每一类到采集 1000 个时域图像,将总体样本按照 9:1 的比例划分训练集与测试集,划分python代码如下:
"""
size:将图片划分为训练集和测试集
"""
import os
import random
import shutil
def split_train_test_folder(parent_folder, ratio):
"""
将parent_folder文件夹下的图片按照ratio的比例分割成训练集和测试集,
分割后的训练集和测试集中的图片将分别存放在train和test文件夹中
:param parent_folder: 父文件夹路径,文件夹下存放着待分割的子文件夹以及图片
:param ratio: 分割比例
"""
train_folder = os.path.join(parent_folder, 'train_test','train')
test_folder = os.path.join(parent_folder, 'train_test', 'test')
if not os.path.isdir(train_folder):
os.makedirs(train_folder)
if not os.path.isdir(test_folder):
os.makedirs(test_folder)
for group_folder in os.listdir(parent_folder):
if os.path.isdir(os.path.join(parent_folder, group_folder)):
group_path = os.path.join(parent_folder, group_folder)
file_list = os.listdir(group_path)
total_num = len(file_list)
test_num = int(total_num * ratio)
train_num = total_num - test_num
random.shuffle(file_list)
train_list = file_list[:train_num]
test_list = file_list[train_num:]
for file in train_list:
src_file = os.path.join(group_path, file)
dst_file = os.path.join(train_folder, file)
shutil.copy(src_file, dst_file)
for file in test_list:
src_file = os.path.join(group_path, file)
dst_file = os.path.join(test_folder, file)
shutil.copy(src_file, dst_file)
print("Finish splitting dataset!")
split_train_test_folder('C:/Users/16021/Desktop/WCT/data/', 0.1)
得到如下文件夹:
2.训练过程
训练过程:
2.预测率
3.混淆矩阵图:
写在最后
东南大学数据集:
链接:https://pan.baidu.com/s/1z0ltUARlSC0EQceCaOW41Q
提取码:vjfz
参考文献:
基于深度学习的旋转机械故障诊断方法研究 东南大学
参考公众号:故障诊断与寿命预测工具箱
上面链接过期了,最新链接:
链接:https://pan.baidu.com/s/1wp4t_oMtqQR_0bVx9RBNFA
提取码:gcq3