二、資料介紹

本次專案的資料是使用的凱斯西儲大學（Case Western Reserve University）軸承資料中心的開源資料集。

資料檔案採用Matlab格式。每個檔案都包含風扇和驅動端振動資料以及電機轉速。對於所有檔案，變數名稱中的以下項表示：

• DE - 驅動端加速計資料
• FE - 風扇端加速計資料
• BA - 基礎加速計資料
• time - 時間序列資料
• RPM- 測試期間的轉速

2.1 故障型別圖示

2.2 資料圖示

2.3 檢視單個數據檔案情況

2.4 資料分佈情況

博主對：

1. 正常
2. 內圈故障
3. 外圈故障
4. 滾動體故障

四種不同情況下軸承的資料分佈進行了視覺化展示，由於圖示較多，這裡只展示內圈故障的一個檔案的資料分佈情況，其他情況感興趣的同學可以下載完整程式碼執行看看。

三、資料預處理

通過視覺化觀察發現數據波長週期基本上為100-200左右，博主這邊使用1000作為取樣長度，對所有軸承資料進行取樣，並構建label。我們這次需要學習並預測的是輸入的軸承資料是為：正常、內圈故障、外圈故障、滾動體故障。中哪一類，因此是一個4分類的任務。處理後資料分佈如下：

1. 正常樣本：1696個
2. 內圈故障樣本：1455個
3. 滾動體故障樣本：1457個
4. 外圈故障樣本： 1457個

然後對資料進行取樣，保證每類資料1400個。

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("處理後樣本shape：",data_train.shape)
print("處理後資料類別分佈：",Counter(label))

# 儲存資料
np.save("train_data/train_data.npy",data_train)
np.save("train_data/label.npy",label)
print("資料儲存成功，位置：/train_data/")

四、模型訓練及評估

4.1 載入資料

def load_data():
    # 讀取資料
    x = np.load('train_data/train_data.npy')
    y = np.load('train_data/label.npy')
    num = len(Counter(y))
    print("類別數量為：", num)
    return x, y, num
    
# 讀取資料
data, label, label_count = load_data()
# 生成訓練集測試集,70%用作訓練，30%用作測試
train_data, train_label, val_data, val_label = create_train_data(data, label, 0.7)
print("*"*10)
print("訓練集數量：",len(train_label))
print("測試集數量：",len(val_label))

4.2 隨機森林

# 模型引數設定
rfc = RandomForestClassifier(n_estimators = 50,min_samples_split = 5,min_samples_leaf = 4,max_depth = 5)

# 模型準確率和損失值
acc_list = []
loss_list = []
train_acc_list = []
print("開始訓練")
for i in range(1,epoch +1):

    # 模型訓練
    rfc.fit(m_train,train_label)

    # # 訓練集
    # y_train = rfc.predict(m_train)

    # 測試集
    y_pred = np.asarray(rfc.predict(m_val),dtype = 'int64')

    # 計算準確率
    acc = round(accuracy_score(val_label, y_pred),3)
    
    # 訓練集
    y_pred = np.asarray(rfc.predict(m_train),dtype = 'int64')
    # 計算準確率
    train_acc = round(accuracy_score(train_label, y_pred),3)
    
    # print('測試集準確率:', round(accuracy_score(val_label, y_pred),3))
    acc_list.append(acc)
    train_acc_list.append(train_acc)
    
    # 計算損失值
    # 使用one-hot編碼計算損失值
    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,"輪訓練，測試集準確率：",acc)

4.2.1 模型訓練

4.2.2 模型測試

4.3 CNN

構建一個CNN網路，結構如下：

4.3.1 模型訓練

4.3.2 模型測試

可以看到，使用原始cnn模型訓練後準確率只有83。類標2即“內圈故障”的召回率較低，無法準確有效識別。

4.4 CNN+ResBlock

模型構建：

import n_model as md
import tensorflow as tf
# 模型引數
model_param = {
    "a_shape": 1000,
    "b_shape": 2,
    "label_count": 4,
    "num_b":5
}

data_shape=(model_param['a_shape'],model_param['b_shape'])
# 模型例項化
model = md.CNN_ResNet_model(model_param['label_count'] , model_param['num_b'] , data_shape=data_shape)
# 使用學習率進行訓練
res_model = model.model_create(learning_rate = 1e-4)
# 模型網路結構
print("例項化模型成功，網路結構如下：")
print(res_model.summary())
# 設定模型log輸出地址
log_dir = os.path.join("logs/ResNet")
if not os.path.exists(log_dir):
    os.mkdir(log_dir)

4.4.1 模型訓練

4.4.2 模型測試

可以看到，增加了殘差模組的CNN網路已經能準確對不同故障型別進行分類，準確率和召回率均在95分以上。

五、完整程式碼地址

由於專案程式碼量和資料集較大，感興趣的同學可以下載完整程式碼，使用過程中如遇到任何問題可以在評論區評論或者私信我，我都會一一解答。

完整程式碼下載：
【程式碼分享】手把手教你：基於深度學習的滾動軸承故障診斷