本期文章主题
本期提出一种WSET-CNN-BKA-LSSVM方法用于故障诊断,(该方法由公众号:《淘个代码》提出,方法新颖未发表,需要的速速下载!)该方法包括:
1. 首先利用小波同步提取变换(WSET)时频分辨率高的特点,对采集到的故障数据进行模态分解和处理,得到分解后的时频图像,并将图像进行降维处理;
2.将第一步得到的时频图像输入二维卷积神经网络(CNN)进行自适应故障特征提取;
3.取全连接层结果作为最小二乘支持向量机(LSSVM)的输入,并采用2024年SCI一区新算法:黑翅鸢优化算法对LSSVM的两个关键参数进行优化。
4. 本期推文基于东南大学的轴承数据和齿轮箱数据分别展开实验。实验表明,在实验样本仅为30的情况下,该方法仍能达到99%以上的准确率。充分表明该方法在小样本故障诊断中的适用性。
内容详解
一、数据处理
①对官方下载的东南大学轴承数据和齿轮箱数据进行简要处理与打标签,如下:
轴承数据分别选取的是以下五种:
'ball 20_0.csv' 滚动体故障
'comb_20_0.csv' 复合故障
health_20_0.csv' 健康
'inner_20_0.csv' 内圈故障
outer_20_0.csv' 外圈故障
将这五个数据的第三列,提取出来,综合到一个 data_total.mat文件,该文件包含了5种故障类型,一共是1000个样本,设置每种类型的样本为200个,每个样本设置2048个点,采用滑动窗口的方式进行选取数据,滑动窗口大小为2048,滑动步长为1000。齿轮箱数据与轴承数据整理的时候类似,就不再过多介绍,程序中有代码说明。
②采用小波同步提取变换(WSET)换将数据进行时频图转换
③将构建好的特征向量送入不同模型进行训练与测试
二、结果展示
东南大学轴承故障诊断结果:
将每种状态的前120组用于训练,后80组用于测试。得到的结果如下:
WSET-CNN-BKA-LSSVM的分类结果,并附上t-sne降维分布在CNN模型识别前后的结果图:
可以看到,本文所提方法的精准率达到了100%
为了验证本文所提模型在小样本轴承故障诊断的优势,将每种状态的前30组用于训练,后170组用于测试。得到的结果如下:
可以看到,在小样本故障诊断的条件下,精确率都可以达到99.0588%,足以说明本文在小样本故障诊断的优势!
东南大学齿轮箱故障诊断结果:
将每种状态的前120组用于训练,后80组用于测试。得到的结果如下:
WSET-CNN-BKA-LSSVM的分类结果,并附上t-sne降维分布在CNN模型识别前后的结果图:
可以看到,本文所提方法的在齿轮箱数据上的精准率达到了99.25%
为了验证本文所提模型在小样本齿轮箱故障诊断的优势,将每种状态的前30组用于训练,后170组用于测试。得到的结果如下:
可以看到,在小样本故障诊断的条件下,精确率都可以达到95.1765%,足以说明本文在小样本故障诊断的优势!
以上所有图片均可运行出来。
代码目录
分为东南大学轴承诊断和齿轮箱诊断。
代码整理非常仔细!保证新手都能看懂,每一步里边都有程序说明.txt,按照步骤与说明一步步来即可。
代码获取
点击下方下卡片获取!