当前位置：首页 > news >正文

基于tensorflow框架的MSCNN-LSTM模型在CWRU轴承故障诊断的应用

news 2025/11/16 16:40:00

本篇将深入探讨基于TensorFlow框架的MSCNN-LSTM模型在CWRU轴承故障诊断中的应用。TensorFlow，由Google开发的开源库，是机器学习和深度学习领域的重要工具，支持高效的数值计算和大规模并行处理。LSTM（长短期记忆网络）是一种特殊的循环神经网络，擅长处理序列数据，如时间序列分析或自然语言处理。在故障诊断中，LSTM能够捕捉设备运行过程中的动态变化，识别故障模式。而MSCNN（多尺度卷积神经网络）则利用多尺度特征提取，对图像或信号进行深入分析，提高故障检测的准确性。

CWRU（Case Western Reserve University）轴承数据集是一个广泛用于机械故障诊断研究的基准数据，包含四种不同类型的故障：正常、内环故障、外环故障和滚珠故障。每个故障类型都有大量的振动信号样本，这些信号反映了轴承在不同工况下的状态。在这个项目中，MSCNN-LSTM模型结合了两种强大的技术：多尺度特征提取与序列建模。MSCNN对原始振动信号进行预处理，提取不同尺度的特征，这些特征包含了轴承状态的关键信息。接着，提取到的特征被输入到LSTM网络中，LSTM通过其特有的门控机制，能够记住过去的有用信息，忽略无用的细节，从而有效识别出故障类型。

主程序包括以下步骤：

1. 数据预处理：对CWRU轴承数据进行预处理，如降噪、标准化，将其转化为适合CNN输入的格式。

2. 构建模型：定义MSCNN结构，包括多个尺度的卷积层、池化层和全连接层，以及LSTM网络，设置合适的超参数。

3. 训练模型：使用训练数据对模型进行训练，优化器通常选择Adam，损失函数可以为交叉熵。

4. 评估模型：在验证集上测试模型性能，输出准确率和混淆矩阵，混淆矩阵能直观展示模型在各个类别的表现。

5. 预测与故障诊断：模型可以对新的振动信号进行预测，给出故障类型。通过这种方式

部分代码，完整项目见https://download.csdn.net/download/weixin_46163097/83304724

import numpy as np
import os
import re
import scipy.io as scio
import scipy.io as scioimport pandas as pd
import scipy.signal
from keras.models import Sequential,Model,load_model
from keras.optimizers import Adam
from sklearn.preprocessing import LabelBinarizer
from sklearn import preprocessing
from keras.layers import *
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_splitimport itertools
from sklearn.metrics import confusion_matrix
from keras.callbacks import ReduceLROnPlateau
from keras import backend as k
from keras.callbacks import ModelCheckpoint
from tensorflow.keras.utils import plot_model
raw_num = 960#每个特征故障的样本个数
col_num = 250#每个样本的长度class Data(object):def __init__(self):self.data = self.get_data()self.label = self.get_label()def file_list(self):#定义数据文件夹位置return os.listdir('data/')def get_data(self):#定义获取数据函数file_list = self.file_list()#文件位置for i in range(len(file_list)):#文件夹子文件个数:10file = scio.loadmat('data/{}'.format(file_list[i]))#调用子文件路径for k in file.keys():#打开子文件file_matched = re.match('X\d{3}_DE_time', k)#判断是否匹配:X111_DE_timeif file_matched:key = file_matched.group()#X111_DE_timeif i == 0:data = np.array(file[key][0:240000].reshape(raw_num,col_num))else:data = np.vstack((data, file[key][0:240000].reshape((raw_num,col_num))))return datadef get_label(self):file_list = self.file_list()#获取文件位置#title=['111' '124' '137' '176' '191' '203' '215' '228' '240' '99']title = np.array([i.replace('.mat', '') for i in file_list])#(10,)label = title[:, np.newaxis]#(10, 1)label_copy = np.copy(label)#(10, 1)for _ in range(raw_num-1):#239label = np.hstack((label, label_copy))#(10,240)水平拼接return label.flatten()load_mat = scio.loadmat('1.mat')
# load_mat为字典类型, <class 'dict'>
print(type(load_mat))
data = load_mat['Up']label1 =[]
for i in range(1600):if i<400:label1.append(0)elif i<800:label1.append(1)elif i<1200:label1.append(2)elif i<1600:label1.append(3)label = np.array(label1)lb = LabelBinarizer()#标签二值化
y = lb.fit_transform(label)#转化成独热码# 维纳滤波
data_wiener = scipy.signal.wiener(data, mysize=3, noise=None)# 下采样
#index = np.arange(0,2000, 8)#每隔8个点的位置索引
#data_samp = data_wiener[:, index]#取点[2400,2000]变为[2400,250]
#print(data_samp.shape)  # 如果正确应该输入的是（2400，250）X_train, X_test, y_train, y_test = train_test_split(data_wiener, y, test_size=0.2,stratify=y)
def built_model():input_seq = Input(shape=(250,))#输入形状(250,)X = Reshape((250,1))(input_seq)#[250,]变形为[1,250]# encoder1ec1_layer1 = Conv1D(filters=50, kernel_size=20, strides=2,padding='valid', activation='relu',data_format='channels_last')(X)ec1_layer2 = Conv1D(filters=30, kernel_size=10, strides=2,padding='valid', activation='relu',data_format='channels_last')(ec1_layer1)ec1_outputs = MaxPooling1D(pool_size=2, strides=None, padding='valid',data_format='channels_last')(ec1_layer2)# encoder2ec2_layer1 = Conv1D(filters=50, kernel_size=6, strides=1,padding='valid', activation='relu',data_format='channels_last')(X)ec2_layer2 = Conv1D(filters=40, kernel_size=6, strides=1,padding='valid', activation='relu',data_format='channels_last')(ec2_layer1)ec2_layer3 = MaxPooling1D(pool_size=2, strides=None, padding='valid',data_format='channels_last')(ec2_layer2)ec2_layer4 = Conv1D(filters=30, kernel_size=6, strides=1,padding='valid', activation='relu',data_format='channels_last')(ec2_layer3)ec2_layer5 = Conv1D(filters=30, kernel_size=6, strides=2,padding='valid', activation='relu',data_format='channels_last')(ec2_layer4)ec2_outputs = MaxPooling1D(pool_size=2, strides=None, padding='valid',data_format='channels_last')(ec2_layer5)# 将两个自编码做点积encoder = multiply([ec1_outputs, ec2_outputs])#[27,30]*[27,30]=[27,30]# 分类dc_layer1 = LSTM(60, return_sequences=True)(encoder)#dc_layer2 = LSTM(60)(dc_layer1)dc_layer3 = Dropout(0.5)(dc_layer2)dc_layer4 = Dense(4, activation='softmax')(dc_layer3)model = Model(input_seq, dc_layer4)return modeldef plot_confusion_matrix(cm, classes, title='Confusion matrix', cmap=plt.cm.Blues, normalize=False):plt.imshow(cm , cmap=cmap)plt.title(title)plt.colorbar()tick_mark = np.arange(len(classes))#[0,1,2....9]一个参数时，参数值为终点，起点取默认值0，步长取默认值1。'''tick_mark:用于设置X轴刻度间隔classes:用于设置每个间隔的显示标签rotation:旋转角度cm=confusion_matclasses=range(10)'''plt.xticks(tick_mark, classes, rotation=40)#plt.yticks(tick_mark, classes)for i,j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):plt.text(j,i,cm[i,j], horizontalalignment='center',color='black')plt.tight_layout()plt.ylabel('True label')plt.xlabel('Predict label')
import time
begain_time = time.time()
model = built_model()
opt = Adam(lr=0.0006)
model.compile(optimizer=opt, loss='mean_squared_error', metrics=['accuracy'])
model.summary()
history = model.fit(x=X_train, y=y_train, batch_size = 64, epochs=50, verbose=2, validation_data=(X_test, y_test),shuffle=True, initial_epoch=0)
plt.figure(figsize=(12,9))
y_pre = model.predict(X_test)#[batch,10]
label_pre = np.argmax(y_pre, axis=1)#[batch,]
print(label_pre.shape)
label_true = np.argmax(y_test, axis=1)#[batch,]
confusion_mat = confusion_matrix(label_true, label_pre)#计算混淆矩阵，以评估分类的准确性。[]
print(confusion_mat)
plot_confusion_matrix(confusion_mat, classes=range(4))

查看全文

http://www.dtcms.com/a/615801.html