一、数据准备本次采用的PHM 2009 Challenge Data的齿轮箱数据集进行实验分析。 包括齿轮、轴承及轴故障。 其实验平台如下图所示。
这次用50HZ转速下低负荷通道1的振动信号数据建立数据集,各种样本长度为1024,在各模式下共截取260组信号样本,从中随机选取70%的样本进行模型训练,得到具体信息如下表所示。
在划分数据集之后,EMD中的信号可以被处理,并且每个样本可以分解出7个IMF分量。 并按各组分解得到的IMF分量对应齿轮箱故障模式的一个类别。 分解具有第一个故障模式的信号得到的7个IMF分量如下图所示,切取各故障模式的前3个IMF分量,作为本次建立的多通道一维卷积神经网络模型的输入。
二、建模多通道输入层:多通道输入根据人工设置的样本特征,将不同代表性提取样本输入特征图的多个通道,使融合后的特征图充分体现图像的有效信息。 本文采用三通道输入,输入信号为1024 1 3三通道一维信号。 为了更直观地示出三个信道信号和单个信道信号之间的差异,将各个信道信号映射在相同的图中,且在以下的示意图中示出; 此次建立的是对3个卷积模型分别截取的emd的3个分量进行特征提取,最后在全连通层收敛。
这里构建的部分模型结构和代码如下。
#三个数据流x=layers.concatenate([model_1,model_2,model_3],axis=-1 ),将在模型训练中切出的EMD分解的前三个分量
四、模型测试中,为了更清晰地展示测试集中各类别的模型识别结果,引入模糊矩阵对实验结果进行详细分析,并采用t-sne特征减法算法对全连通层输出特征进行可视化,结果如下。
以下将使用t-sne的所有连接层输出的特征映射到二维散点图:
摘要由于样本数据较少,从混淆矩阵和散点图中获得的分类效果不太乐观,但深度学习爱好者可以划分更多的数据量来验证模型,也可以尝试使用不同的数据集。
如果有问题请从评论区指出,大家交流学习。