Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类

已于 2024-04-08 20:25:16 修改
阅读量1.8k 收藏 33
点赞数 27
分类专栏： 信号处理 文章标签： python cnn 分类
于 2024-01-02 21:29:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40949048/article/details/135350483
版权

 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_pyts 小波变换 故障-CSDN博客

Python轴承故障诊断 (三)经验模态分解EMD_轴承诊断 pytorch-CSDN博客

Pytorch-LSTM轴承故障一维信号分类(一)_cwru数据集pytorch训练-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

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

基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型-CSDN博客

基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客

大甩卖-（CWRU）轴承故障诊数据集和代码全家桶-CSDN博客

Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类-CSDN博客

Python轴承故障诊断 (十)基于VMD+CNN-Transfromer的故障分类-CSDN博客

Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类-CSDN博客

交叉注意力融合时域、频域特征的FFT + CNN -BiLSTM-CrossAttention轴承故障识别模型-CSDN博客

交叉注意力融合时域、频域特征的FFT + CNN-Transformer-CrossAttention轴承故障识别模型-CSDN博客

轴承故障诊断 (12)基于交叉注意力特征融合的VMD+CNN-BiLSTM-CrossAttention故障识别模型-CSDN博客

Python轴承故障诊断入门教学-CSDN博客

Python轴承故障诊断 (13)基于故障信号特征提取的超强机器学习识别模型-CSDN博客

Python轴承故障诊断 (14)高创新故障识别模型-CSDN博客

Python轴承故障诊断 (15)基于CNN-Transformer的一维故障信号识别模型-CSDN博客

前言

本文基于凯斯西储大学（CWRU）轴承数据，进行变分模态分解VMD的介绍与数据预处理，最后通过Python实现VMD-CNN-BiLSTM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

1 变分模态分解VMD的Python示例

第一步，Python 中 VMD包的下载安装：

# 下载
pip install vmdpy

# 导入
from vmdpy import VMD

第二步，导入相关包进行分解

import numpy as np
import matplotlib.pyplot as plt
from vmdpy import VMD

# -----测试信号及其参数--start-------------
t = np.linspace(0, 1, 1000)
signal = np.sin(2 * np.pi * 5 * t) + np.sin(2 * np.pi * 20 * t)
T = len(signal)
fs = 1/T
t = np.arange(1,T+1)/T

# alpha 惩罚系数；带宽限制经验取值为抽样点长度1.5-2.0倍.
# 惩罚系数越小，各IMF分量的带宽越大，过大的带宽会使得某些分量包含其他分量言号;
alpha = 2000

#噪声容限，一般取 0, 即允许重构后的信号与原始信号有差别。
tau = 0 
#模态数量  分解模态（IMF）个数
K = 5

#DC 合成信号若无常量，取值为 0；若含常量，则其取值为 1
# DC 若为0则让第一个IMF为直流分量/趋势向量
DC = 0 
#初始化ω值，当初始化为 1 时，均匀分布产生的随机数
# init 指每个IMF的中心频率进行初始化。当初始化为1时，进行均匀初始化。
init = 1 
#控制误差大小常量，决定精度与迭代次数
tol = 1e-7
# -----测试信号及其参数--end----------

# Apply VMD
# 输出U是各个IMF分量，u_hat是各IMF的频谱，omega为各IMF的中心频率
u, u_hat, omega= VMD(signal, alpha, tau, K, DC, init, tol)
#得到中心频率的数值
print(omega[-1])
# Plot the original signal and decomposed modes
plt.figure(figsize=(15,10))
plt.subplot(K+1, 1, 1)
plt.plot(t, signal, 'r')
plt.title("原始信号")
for num in range(K):
    plt.subplot(K+1, 1, num+2)
    plt.plot(t, u[num,:])
    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 故障VMD分解可视化

第一步， 模态选取

根据不同K值条件下， 观察中心频率，选定K值；从K=4开始出现中心频率相近的模态，出现过分解，故模态数 K 选为4。

第二步，故障VMD分解可视化

2.3 故障数据的VMD分解预处理

3 基于VMD-CNN-BiLSTM的轴承故障诊断分类

下面基于VMD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特征，增加维度，缩短序列长度，然后再送入BiLSTM层提取时序特征，实现CNN-BiLSTM信号的分类方法进行讲解：

3.1 定义VMD-CNN-BiLSTM分类网络模型

3.2 设置参数，训练模型

50个epoch，准确率将近97%，用VMD-CNN-BiLSTM网络分类效果显著，CNN-BiLSTM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BiLSTM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）

3.3 模型评估

准确率、精确率、召回率、F1 Score

故障十分类混淆矩阵：

代码、数据如下：

对数据集和代码感兴趣的，可以关注最后一行

# 加载数据
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")
 
#代码和数据集：https://mbd.pub/o/bread/ZZmUmp1q

建模先锋
关注
  • 27
    点赞
  • 踩
  • 33
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
专栏目录
vmd-python:可安装的VMD作为python模块
05-17
vmd-python 可安装的VMD作为python模块 新：3.0版具有以下新功能 原子选择属性可以更容易地访问或设置： atomsel.get("x")可以写为atomsel.x ！ 删除了转储到标准输出的额外信息 所有方法和模块的文档字符串 作为Python方法的功能更多！ atomsel.hbonds等 selection模块可让您定义自定义原子选择宏 更严格的引用计数/更少的内存泄漏 更漂亮的代码 新：支持Python 3 ！！！ 特征 1.9.4树中的VMD的所有功能，以及一些不包含在二进制发行版中的可选插件： 读取和写入MAE文件的正式费用 用于DESRES分子文件格式的DMS插件 HOOMD插件 导入时不会崩溃 不在乎您编译哪个numpy 支持Python 2或Python 3 包含的模块 以下子模块是VMD的一部分。 现在，导入系统更加有意义，因此像from vm
诊断故障诊断分析代码
01-10
故障诊断时域频域分析代码，深度学习数据的预处理。
Matlab实现VMD-CNN-BiLSTM变分模态分解结合卷积双向长短期记忆神经网络多变量时间序列预测（完整源码和数据）
02-05
1.Matlab实现VMD-CNN-BiLSTM变分模态分解结合卷积双向长短期记忆神经网络多变量时间序列预测（完整源码和数据） 2.运行环境matlab2021及以上，评价指标MAE、MAPE、MSE、RMSE; 3.输入多个特征，输出单个变量。 4.main1_VMD完成数据分解，运行main2_VMD_CNNBiLSTM完成数据预测，多图输出。 5.excel数据集,所有文件放在一个文件夹； 6.程序语言为matlab，程序可出预测效果图，误差分析图;代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 7.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 8.作者介绍：某大厂资深算法工程师，从事Matlab、Python算法仿真工作8年；擅长智能优化算法、神经网络预测、信号处理、元胞自动机等多种领域的算法仿真实验.
VMD-CNN-LSTM多输入单输出时间序列预测（Matlab完整源码和数据)
02-04
VMD-CNN-LSTM多输入单输出时间序列预测（Matlab完整源码和数据) 运行环境2021及以上；多个特征输入，单个特征输出； 运行main1_VMD完成数据分解，运行main2_VMD_CNNLSTM完成数据预测。 多图输出，多指标评价（MAE、MAPE、RMSE、MSE）。 VMD-CNN-LSTM多输入单输出时间序列预测（Matlab完整源码和数据) 运行环境2021及以上；多个特征输入，单个特征输出； 运行main1_VMD完成数据分解，运行main2_VMD_CNNLSTM完成数据预测。 多图输出，多指标评价（MAE、MAPE、RMSE、MSE）。 VMD-CNN-LSTM多输入单输出时间序列预测（Matlab完整源码和数据) 运行环境2021及以上；多个特征输入，单个特征输出； 运行main1_VMD完成数据分解，运行main2_VMD_CNNLSTM完成数据预测。 多图输出，多指标评价（MAE、MAPE、RMSE、MSE）。
CNN+SVM故障诊断
01-19
CNN结合SVM故障诊断
VMD-CNN-LSTM、VMD-CNN-BiLSM分类预测（Matlab完整程序数据）
09-10
VMD-CNN-LSTM、VMD-CNN-BiLSM数据分类预测（Matlab完整程序和数据） 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。程序语言为matlab，程序可出分类效果图，混淆矩阵图。 VMD-CNN-BILSTM的轴承诊断。包含了数据处理，优化VMD参数，特征提取，再到CNN-BiLSTM的故障诊断，其他类型的故障诊断均可参考此流程！ 其中优化VMD参数部分，采用的是最新推出的，效率非常高的融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)。 故障诊断部分，VMD-CNN-LSTM，VMD-CNN-BiLSTM故障诊断模型进行了对比。突出了提出的VMD-CNN-BILSTM模型的优越性。
读研之掉进故障检测（二）—CNN故障检测（CWRU轴承数据集）
AS_the_deer1717的博客
10-15 1110
基于卷积神经网络的轴承故障诊断算法研究—张伟对该论文中第2章 基于一维卷积神经网络的滚动轴承故障诊断方法的一种实现代码原论文的作者给出了第三章的实现代码，这里给出github具体结果是与论文中呈现的效果不同的，写这篇文章的主要目的就是为了学习如何使用CWRU轴承的数据集，属于抛砖引玉吧。数据增强的函数为代码中的：def overlap_sampling(x_train, y_train, length, offset)无数据增强的结果为有数据增强的效果为。
（1DCNN 一维深度卷积神经网络）的轴承故障诊断(python代码)（私聊打折）
05-03
一维DCNN用于轴承故障诊断，仿真数据集为CWRU（凯西私储大学的公开轴承数据集） 轴承故障诊断时机械状态监测的热门研究方向，其算法的核心在于信号特征提取与模式分类两个部分。在轴承故障诊断领域，常见的特征提取算法有快速傅里叶变化，小波变换，经验模式分解以及信号的统计学特征等，常见的模式分类算法有支持向量机，BP 神经网络（也称为多层感知器），贝叶斯分类器以及最近邻分类器等。当下轴承故障诊断的研究热点是可以归结为 3 类：寻找更好的特征表达；寻找最适合的特征表达以及分类器的组合；以及发明新的传感器。
Python-变分模态分解（VMD）python代码及其测试用例
小苏打的学习博客
02-26 3255
下载资源：https://download.csdn.net/download/weixin_41990278/82427690
CNN网络的故障诊断（轴承的多故障类型分类+Python代码）
weixin_49890890的博客
07-13 7042
基于仿真数据的滚动轴承故障诊断研究。
基于CNN-LSTM的滚动轴承故障诊断
yexuejianghan的博客
02-25 3986
基于CNN-LSTM的滚动轴承故障诊断
Matlab实现VMD-CNN-LSTM变分模态分解结合卷积长短期记忆神经网络多变量时间序列预测（完整源码和数据）
02-04
1.Matlab实现VMD-CNN-LSTM变分模态分解结合卷积长短期记忆神经网络多变量时间序列预测（完整源码和数据） 2.运行环境matlab2021及以上，评价指标MAE、MAPE、MSE、RMSE; 3.输入多个特征，输出单个变量。 4.main1_VMD完成数据分解，运行main2_VMD_CNNLSTM完成数据预测，多图输出。 5.excel数据集,所有文件放在一个文件夹； 6.程序语言为matlab，程序可出预测效果图，误差分析图;代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 7.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 8.作者介绍：某大厂资深算法工程师，从事Matlab、Python算法仿真工作8年；擅长智能优化算法、神经网络预测、信号处理、元胞自动机等多种领域的算法仿真实验.
VMD,python代码.zip_vmd_vmd python_vmd分解_变分模态_变分模态分解
09-24
变分模态分解 信号处理方法 数据序列平稳化。
Mechanical-Fault-Diagnosis-Based-on-Deep-Learning:CNN用于机械故障诊断
05-11
基于深度学习的机械故障诊断 CNN用于机械故障诊断 这些代码用于两篇论文：“基于基于原始传感信号的卷积神经网络的滚动轴承故障智能诊断”（paper_1）和“基于以振动信号的二维表示作为输入的基于卷积神经网络的轴承故障诊断”（paper_2） ）。 先决条件，Matlab 2013a，Python 2.7.11，Tensorflow（在ubuntu14.04中更好）。 首先，您应该运行image_matrix.m来准备自己的数据。 其次，应该使用disorder_images.py和input_bear_data.py将数据变形为张量流的输入格式。 最后，您可以选择为paper_1运行mnist_b.py或mnist_c.py，为paper_2运行mnist_2d.py。 如果大家对以上研究兴趣，可以进一步参考我的这两篇论文：针对原始振动信号具有良好抗噪和域自适应能力的故障诊断新的深
基于多尺度1D-CNN卷积神经网络的轴承故障诊断代码+数据集
06-13
数据集：CWRU 训练集：0hp，1hp，2hp（3种故障大小） 测试集：3hp（3种故障大小） 正确率：90% 框架：pytorch 结果评价指标：正确率曲线图、损失曲线图、混淆矩阵 参考论文：基于多尺度卷积神经网络的电机故障诊断方法研究_王威 适用对象：初学者 代码注释完整，下载即可使用，提供半小时线上答疑讲解
VMD-CNN-BiLSTM多输入单输出时间序列预测（Matlab完整源码和数据)
02-05
VMD-CNN-BiLSTM多输入单输出时间序列预测（Matlab完整源码和数据) 运行环境2021及以上；多个特征输入，单个特征输出； 运行main1_VMD完成数据分解，运行main2_VMD_CNNBiLSTM完成数据预测。 多图输出，多指标评价...
CEEMDAN-VMD-CNN-BiLSTM二次分解结合卷积双向长短期记忆神经网络多变量时序预测（Matlab完整源码和数据）
03-14
CEEMDAN-VMD-CNN-BiLSTM二次分解结合卷积双向长短期记忆神经网络多变量时序预测（Matlab完整源码和数据） CEEMDAN分解，计算样本熵，根据样本熵进行kmeans聚类，调用VMD对高频分量Co-IMF1二次分解， VMD分解的高频...
Matlab实现CEEMDAN-VMD-CNN-BiLSTM二次分解结合卷积双向长短期记忆网络多变量时序预测（完整源码和数据）
最新发布
03-14
1.Matlab实现CEEMDAN-VMD-CNN-BiLSTM二次分解结合卷积双向长短期记忆网络多变量时序预测（完整源码和数据） 2.CEEMDAN分解，计算样本熵，根据样本熵进行kmeans聚类，调用VMD对高频分量二次分解， VMD分解的高频分量...
保姆级教程之SABO-VMD-CNN-SVM的分类诊断，特征可视化
woaipythonmeme的博客
11-14 924
今天出一期基于SABO-VMD-CNN-SVM的分类诊断。依旧是采用经典的西储大学轴承数据。基本流程如下：首先是以最小包络熵为适应度函数，采用SABO优化VMD的两个参数。其次对每种状态的数据进行特征向量的求取，并为每组数据打上标签。然后将数据送入CNN进行特征提取， 并进行PCA降维后特征可视化，并与未进行CNN特征提取的数据可视化结果进行比较。最后将CNN提取的特征送入SVM进行分类。其他数据...
VMD-CNN-bilstm
05-25
VMD-CNN-bilstm是一种深度学习模型，用于处理时间序列数据，特别是用于处理蛋白质的分子动力学模拟数据。该模型结合了三种不同类型的神经网络，包括： 1. 变分模态分解（VMD）：用于将原始时间序列信号分解为多个局部模式，以便更好地进行特征提取。 2. 卷积神经网络（CNN）：用于提取时间序列数据中的空间特征。 3. 双向长短时记忆网络（bilstm）：用于提取时间序列数据中的时间特征。 通过结合这三种神经网络，VMD-CNN-bilstm模型能够有效地处理时间序列数据，并在蛋白质功能注释等任务中取得了良好的性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

建模先锋

你的鼓励将是我最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值