项目|手把手教你（基于深度学习的滚动轴承故障诊断） python|神经网络|scikit-learn|kera

系列文章手把手教你：玩转图像分类和目标检测系统
手把手教你：图像识别的垃圾分类系统
手把手教你：基于粒子群优化算法（PSO）优化卷积神经网络（CNN）的文本分类
一、项目简介本文主要介绍如何使用python搭建：一个基于深度学习的滚动轴承故障诊断系统
项目中涉及使用了多种方法对比检测结果，包括：

传统机器学习方法：随机森林
深度学习方法：CNN
增加残差模块后的深度学习方法：CNN+ResBlock

如各位童鞋需要更换训练数据，完全可以根据源码将图像和标注文件更换即可直接运行。
博主也参考过网上故障检测的相关文章，但大多是理论大于方法。很多同学肯定对原理不需要过多了解，只需要搭建出一个基于深度学习的轴承故障预测系统即可。
也正是因为我发现网上大多的帖子只是针对原理进行介绍，功能实现的相对很少。
如果您有以上想法，那就找对地方了！
不多废话，直接进入正题！
二、数据介绍本次项目的数据是使用的凯斯西储大学（Case Western Reserve University）轴承数据中心的开源数据集。
数据文件采用Matlab格式。每个文件都包含风扇和驱动端振动数据以及电机转速。对于所有文件，变量名称中的以下项表示：

DE - 驱动端加速计数据

FE - 风扇端加速计数据

BA - 基础加速计数据

time - 时间序列数据

RPM- 测试期间的转速

2.1 故障类型图示

文章图片

2.2 数据图示

文章图片

2.3 查看单个数据文件情况

文章图片

2.4 数据分布情况博主对：

正常
内圈故障
外圈故障
滚动体故障

四种不同情况下轴承的数据分布进行了可视化展示，由于图示较多，这里只展示内圈故障的一个文件的数据分布情况，其他情况感兴趣的同学可以下载完整代码运行看看。

文章图片

三、数据预处理通过可视化观察发现数据波长周期基本上为100-200左右，博主这边使用1000作为采样长度，对所有轴承数据进行采样，并构建label。我们这次需要学习并预测的是输入的轴承数据是为：正常、内圈故障、外圈故障、滚动体故障。中哪一类，因此是一个4分类的任务。处理后数据分布如下：

正常样本：1696个

内圈故障样本：1455个

滚动体故障样本：1457个

外圈故障样本： 1457个

然后对数据进行采样，保证每类数据1400个。

data_train = np.asarray(data_normal[:1400] + data_inner[:1400] + data_ball[:1400] + data_outer[:1400],dtype = 'float64') label = np.asarray(label_normal[:1400] + label_inner[:1400] + label_ball[:1400] + label_outer[:1400],dtype = 'int64')print("处理后样本shape：",data_train.shape) print("处理后数据类别分布：",Counter(label))# 保存数据 np.save("train_data/train_data.npy",data_train) np.save("train_data/label.npy",label) print("数据保存成功，位置：/train_data/")

文章图片

四、模型训练及评估 4.1 加载数据

def load_data(): # 读取数据 x = np.load('train_data/train_data.npy') y = np.load('train_data/label.npy') num = len(Counter(y)) print("类别数量为：", num) return x, y, num# 读取数据 data, label, label_count = load_data() # 生成训练集测试集,70%用作训练，30%用作测试 train_data, train_label, val_data, val_label = create_train_data(data, label, 0.7) print("*"*10) print("训练集数量：",len(train_label)) print("测试集数量：",len(val_label))

4.2 随机森林

# 模型参数设置 rfc = RandomForestClassifier(n_estimators = 50,min_samples_split = 5,min_samples_leaf = 4,max_depth = 5)# 模型准确率和损失值 acc_list = [] loss_list = [] train_acc_list = [] print("开始训练") for i in range(1,epoch +1):# 模型训练 rfc.fit(m_train,train_label)# # 训练集 # y_train = rfc.predict(m_train)# 测试集 y_pred = np.asarray(rfc.predict(m_val),dtype = 'int64')# 计算准确率 acc = round(accuracy_score(val_label, y_pred),3)# 训练集 y_pred = np.asarray(rfc.predict(m_train),dtype = 'int64') # 计算准确率 train_acc = round(accuracy_score(train_label, y_pred),3)# print('测试集准确率:', round(accuracy_score(val_label, y_pred),3)) acc_list.append(acc) train_acc_list.append(train_acc)# 计算损失值 # 使用one-hot编码计算损失值 noe_hot = OneHotEncoder(sparse = False)y_pred_o = noe_hot.fit_transform(y_pred.reshape(1, -1)) val_label_o = noe_hot.fit_transform(val_label.reshape(1, -1)) #loss = round(log_loss(val_label_o,y_pred_o),3) # print("loss：",round(log_loss(val_label,y_pred),3)) #loss_list.append(loss) print("完成第",i,"轮训练，测试集准确率：",acc)

4.2.1 模型训练

文章图片

4.2.2 模型测试

文章图片

4.3 CNN 构建一个CNN网络，结构如下：

文章图片

4.3.1 模型训练

文章图片

4.3.2 模型测试

文章图片

可以看到，使用原始cnn模型训练后准确率只有83。类标2即“内圈故障”的召回率较低，无法准确有效识别。
4.4 CNN+ResBlock 模型构建：

import n_model as md import tensorflow as tf # 模型参数 model_param = {"a_shape": 1000, "b_shape": 2, "label_count": 4, "num_b":5 }data_shape=(model_param['a_shape'],model_param['b_shape']) # 模型实例化 model = md.CNN_ResNet_model(model_param['label_count'] , model_param['num_b'] , data_shape=data_shape) # 使用学习率进行训练 res_model = model.model_create(learning_rate = 1e-4) # 模型网络结构 print("实例化模型成功，网络结构如下：") print(res_model.summary()) # 设置模型log输出地址 log_dir = os.path.join("logs/ResNet") if not os.path.exists(log_dir): os.mkdir(log_dir)

4.4.1 模型训练

文章图片

4.4.2 模型测试

文章图片

可以看到，增加了残差模块的CNN网络已经能准确对不同故障类型进行分类，准确率和召回率均在95分以上。
五、完整代码地址由于项目代码量和数据集较大，感兴趣的同学可以下载完整代码，使用过程中如遇到任何问题可以在评论区评论或者私信我，我都会一一解答。
【项目|手把手教你（基于深度学习的滚动轴承故障诊断）】完整代码下载：
【代码分享】手把手教你：基于深度学习的滚动轴承故障诊断