建设工程教育网网址北京搜索优化推广公司
本博客来源于CSDN机器鱼，未同意任何人转载。
更多内容，欢迎点击本专栏，查看更多内容。
目录
0 数据集分析
1 数据划分
2 特征提取
3 结语
0 数据集分析
数据来源于凯斯西储大学的滚动轴承故障诊断，数据集介绍参考【博客】，下载就自己网上找，到处都是资料。
数据集如下：这是我从网上下的，只下了48k采样频率的数据，48k代表采样频率48kHz，DriveEnd代表是驱动端，B、IR、OR分别是球体Ball、内圈InnerRace，外圈OuterRace的故障，007、014、021代表轴承直径(英寸)，0代表0马力负载，normal代表正常类型，一共10种，后续我们将建立10分类的故障诊断网络。其他负载与采样频率的后续有空再研究。
1 数据划分
每种故障数据都是一个几百k长度的振动信号， 而我们做神经网络需要很多样本，因此采用随机采样的方式进行数据预处理，具体操作如下
步骤①计算数据data长度，得到长度length；
步骤②在0-(length-L)的范围内随机生成一个数start，end=start+L；取数据data[start:end]作为一样样本；
步骤③循环②共N次，得到N个样本；对每种数据都训练N次，得到10N个样本。
步骤④随机9:1划分得到训练集与测试集。完整代码如下：
# -*- coding: utf-8 -*-
import os
from scipy.io import loadmat,savemat
import numpy as np
from sklearn.model_selection import train_test_split
np.random.seed(0)
# In[]
lis=os.listdir('./data/')
N=200;Len=1024 #每种故障取N个样本，每个样本长度是Len
# 一共10类 标签是0-9
data=np.zeros((0,Len))
label=[]
for n,i in enumerate(lis):path='./data/'+iprint('第',n,'类的数据是',path,'这个文件')file=loadmat(path)file_keys = file.keys()for key in file_keys:if 'DE' in key:files= file[key].ravel()data_=[]for i in range(N):start=np.random.randint(0,len(files)-Len)end=start+Lendata_.append(files[start:end])label.append(n)data_=np.array(data_)data=np.vstack([data,data_])
label=np.array(label)
# 9：1划分数据集
train_x,test_x,train_y,test_y=train_test_split(data,label,test_size=.1,random_state=0)
# In[] 保存数据
savemat('result/data_process.mat',{'train_x':train_x,'test_x':test_x,'train_y':train_y,'test_y':test_y})2 特征提取
直接采用时域信号做分类，效果一般都不好。通常的做法是①提取时域特征，如均值、方差、极大极小值。②提取频域特征，如快速傅里叶变换、小波变换。③提取时频域特征，如短时傅里叶变换、连续小波变换、希尔伯特-黄变换等。本博客采用的特征提取为连续小波变换时频图，从原本的时域信号中提取得到时频域特征。代码如下
# -*- coding: utf-8 -*-
import matplotlib.pyplot as plt
# 每种故障取一个样本出来画图举例
import numpy as np
import pywt
import os
from scipy.io import loadmat
# In[]
lis=os.listdir('./data/')
Len=1024
data=[]
for n,i in enumerate(lis):path='./data/'+iprint('第',n,'类的数据是',path,'这个文件')file=loadmat(path)file_keys = file.keys()for key in file_keys:if 'DE' in key:files= file[key].ravel()start=np.random.randint(0,len(files)-Len)end=start+Lendata.append(files[start:end])
# In[] 参数设置
for i in range(10):sampling_rate=48000# 采样频率wavename = 'cmor3-3'#cmor是复Morlet小波，其中3－3表示Fb－Fc，Fb是带宽参数，Fc是小波中心频率。totalscal = 256fc = pywt.central_frequency(wavename)# 小波的中心频率cparam = 2 * fc * totalscalscales = cparam / np.arange(totalscal, 1, -1)[cwtmatr, frequencies] = pywt.cwt(data[i], scales, wavename, 1.0 / sampling_rate)t=np.arange(len(data[i]))/sampling_rateplt.figure()plt.plot(t, data[i])plt.xlabel('Time/s')plt.ylabel('Amplitude')plt.title('Fault type'+str(i))plt.savefig('result/Fault type'+str(i)+' Signal.jpg')plt.close()plt.figure()t,frequencies = np.meshgrid(t,frequencies)plt.pcolormesh(t, frequencies, abs(cwtmatr),cmap='jet') plt.xlabel('Time/s')plt.ylabel('Frequency/Hz') plt.title('Fault type'+str(i))plt.savefig('result/Fault type'+str(i)+' Spectrum.jpg')plt.close()
写一个循环，将【0】得到的数据集依次提取出来，即可得到需要的数据集，数据保存成n_c.jpg的格式，n代表第n个样本，c代表样本对应的类别，代码如下所示：
# -*- coding: utf-8 -*-
# 对所有样本依次计算时频图 并保存
from threading import Thread
import matplotlib.pyplot as plt
import numpy as np
import pywt
from scipy.io import loadmat
import os
import shutil
shutil.rmtree('image/')
os.mkdir('image/')
os.mkdir('image/train')
os.mkdir('image/test')
# In[]
def Spectrum(data,label,path):label=label.reshape(-1,)for i in range(data.shape[0]):sampling_rate=48000# 采样频率wavename = 'cmor3-3'#cmor是复Morlet小波，其中3－3表示Fb－Fc，Fb是带宽参数，Fc是小波中心频率。totalscal = 256fc = pywt.central_frequency(wavename)# 小波的中心频率cparam = 2 * fc * totalscalscales = cparam / np.arange(totalscal, 1, -1)[cwtmatr, frequencies] = pywt.cwt(data[i], scales, wavename, 1.0 / sampling_rate)t=np.arange(len(data[i]))/sampling_ratet,frequencies = np.meshgrid(t,frequencies)plt.pcolormesh(t, frequencies, abs(cwtmatr),cmap='jet') plt.axis('off')plt.savefig(path+'/'+str(i)+'_'+str(label[i])+'.jpg', bbox_inches='tight',pad_inches = 0)plt.close()data=loadmat('result/data_process.mat')
Spectrum(data['train_x'],data['train_y'],'image/train')
Spectrum(data['test_x'],data['test_y'],'image/test')
# 用多线程快一点
# p1 = Thread(target=Spectrum, args=(data['train_x'],data['train_y'],'image/train'))
# p2 = Thread(target=Spectrum, args=(data['test_x'],data['test_y'],'image/test'))
# p1.start()
# p2.start()
# p1.join()
# p2.join()
3 结语
通过上述方式，我们已经完成了样本的处理与特征提取处理，更多内容请点击我的专栏获取。