当前位置：物联沃-IOTWORD物联网 > 技术教程 > Python实战：凯斯西储大学轴承数据解读与分类处理【CWRU Bearing Data】
代码收藏家代码收藏家 技术教程

Python实战：凯斯西储大学轴承数据解读与分类处理【CWRU Bearing Data】

第一个数据集：正常基线数据

Motor Load (HP) 的中文意思是电机负载（马力）。它表示施加在电动机上的功率或负载，通常以马力（HP）为单位进行衡量。它代表电机所执行的工作量或所生成的功率。在0、1、2和3马力的电机负载工况工作条件下记录振动加速度信号数据。

Motor Speed (rpm)：近似电机转速（rpm）

在不同负载和转速下一共有四组正常的数据，数据文件为Matlab格式。用Python读取第一个数据集结果如下：

data = loadmat('97_0.mat')
data

{'__header__': b'MATLAB 5.0 MAT-file, Platform: PCWIN, Created on: Mon Jan 31 15:28:20 2000', 
'__version__': '1.0', 
'__globals__': [], 
'X097_DE_time': array([[ 0.05319692],        [ 0.08866154],        [ 0.09971815],        ...,        [-0.03463015],        [ 0.01668923],        [ 0.04693846]]), 
'X097_FE_time': array([[0.14566727],        [0.09779636],        [0.05485636],        ...,        [0.14053091],        [0.09553636],        [0.09019455]]), 
'X097RPM': array([[1796]], dtype=uint16)}

数据为字典格式，包括了创建版本信息、驱动端、风扇端、

RPM转速信息等

第二个数据集：12k 驱动端轴承故障数据

采样频率为12 kHz，数据收集在12,000次/秒。

故障直径（Fault Diameter）：指轴承或其他机械部件上出现的故障或损伤的直径尺寸。故障直径通常用来描述故障的大小和程度，对于故障诊断和预测维护非常重要。单位为英寸，1英寸=25.4mm

  • 0.007英寸=7 mils =0.177 8 mm
  • 0.014英寸=14 mils =0.355 6 mm
  • 0.021英寸=21 mils =0.533 4 mm
  • 0.028英寸=28 mils =1.016 mm

    • Motor Load (HP)电机负载和Motor Speed (rpm)电机转速同上。

    在轴承中，“Inner Race”（内圈）、“Ball”（滚珠）和"Outer Race"（外圈）是三个重要的组成部分，它们一起构成了轴承的基本结构。下面是它们的具体含

  • Inner Race（内圈）：内圈是轴承的一个环状部件，通常位于滚珠或滚子之内，与轴相配合。内圈通过与滚动体接触，在轴上旋转，承受和传递轴向和径向负荷。
  • Ball（滚珠）：滚珠是轴承中的滚动体，它们通常是小球状的物体，可以在内圈和外圈之间滚动。滚珠在轴承中起到支撑和传递负荷的作用，减少摩擦和滑动。
  • Outer Race（外圈）：外圈是轴承的另一个环状部件，位于滚珠或滚子的外部。外圈与内圈和滚珠配合，提供轴承的外部支撑和固定。

    • 这三个部分共同工作，形成了轴承的基本结构，以支撑和传递轴上的负荷，减少摩擦，并使轴承能够平稳运转。它们的材料和设计会根据不同的应用和轴承类型而有所差异，以满足特定的负荷和工作环境要求。

    驱动端和风扇端轴承外圈的损伤点分别放置在3点钟、6点钟、12点钟三个不同位置。所以外圈的损伤有三个数据集。

    用Python读取第一个数据集IR007_0结果如下：

    data = loadmat('105.mat')
data

{'__header__': b'MATLAB 5.0 MAT-file, Platform: PCWIN, Created on: Mon Jan 31 13:49:59 2000', 
'__version__': '1.0', 
'__globals__': [], 
'X105_DE_time': array([[-0.08300435],        [-0.19573433],        [ 0.23341928],        ...,        [-0.31642363],        [-0.06367457],        [ 0.26736822]]), 
'X105_FE_time': array([[-0.40207455],        [-0.00472545],        [-0.10663091],        ...,        [ 0.31598909],        [ 0.35091636],        [ 0.03307818]]), 
'X105_BA_time': array([[ 0.06466148],        [-0.02309626],        [-0.08852226],        ...,        [ 0.09648926],        [ 0.08405591],        [-0.02015893]]), 
'X105RPM': array([[1797]], dtype=uint16)}

    数据为字典格式，包括了创建版本信息、驱动端、风扇端、基座

    RPM转速信息等

    查看一下驱动端数据条数

    data1['X105_DE_time'].shape

(121265, 1)

    将近12万条，也就是采集了近10秒的数据

    **第三个数据集：**48k 驱动端轴承故障数据

    驱动端轴承故障还包含采样频率为48 kHz 的数据，数据收集在48,000次/秒。

    其分析同上。区别是采样频率不同，故障直径（Fault Diameter）少一种。

    第四个数据集：风****扇端轴承故障数据

    风扇端采样频率为12 kHz 的数据，数据收集在12,000次/秒。

    其分析同上。区别是对象和采样频率不同，故障直径（Fault Diameter）也少一种。

    上述四种数据集下载后如下

    2 数据集分类与制作

    2.1 数据集分类解读

    凯斯西储大学轴承数据集包含了以上四种不同故障模式的振动数据，包括内圈故障、外圈故障、滚动体故障。数据集提供了不同工作条件下的实验数据，包括不同转速、载荷和工作时间等参数。每个故障模式都有多个不同工况的样本，按照不同条件约束，其分类形式有多种。

    当然，如果需要处理这些数据，来进行故障诊断和分类任务，并不是需要网站中的所有数据，可以只选择我们需要的，比如选择驱动端+0HP的故障数据。

    以 12k Drive End Bearing Fault Data 举例说明：

    首先，有四种故障类型 ，只取前三种，因为0.028没有外圈故障。

    其次，比如0.007文件，只取前三类，因为第三种负载 和第四种负载差不多。

    最后 ，外圈故障  只取Outer Race   _6，即6点钟的数据集，因为每个文件都有，而且数据差别也不大。

    综上：三种直径数据和三种故障数据，所以每个工况共有3*3+1（正常数据）=10种数据。所以根据工况的不同可以把数据分为A、B、C三种。每个工况有10种数据。如下：

  • 正常0hp 为一类
  • 0.007   0hp   内圈   滚珠  外圈
  • 0.014   0hp   内圈   滚珠  外圈
  • 0.021   0hp   内圈   滚珠  外圈

    • 2.2 数据集处理与制作

    第一步，数据读取：

    十类数据集，每类数据集中只获取DE_time数据，Python读取数据如下所示：

    # 采用驱动端数据
data_columns = ['X097_DE_time', 'X105_DE_time', 'X118_DE_time', 'X130_DE_time', 'X169_DE_time',

                'X185_DE_time','X197_DE_time','X209_DE_time','X222_DE_time','X234_DE_time']

columns_name = ['de_normal','de_7_inner','de_7_ball','de_7_outer','de_14_inner','de_14_ball','de_14_outer','de_21_inner','de_21_ball','de_21_outer']

data_12k_1797_10c = pd.DataFrame()

for index in range(10):

    # 读取MAT文件

    data = loadmat(f'E:\\codeing\\VscodeProjects\\DeepLearning\\故障诊断\\data_deal\\0_1797\\{file_names[index]}')

    dataList = data[data_columns[index]].reshape(-1)

    data_12k_1797[columns_name[index]] = dataList[:119808]  # 121048  min: 121265

print(data_12k_1797_10c.shape)

(121265,1)

    把数据生成后放在一张表格里（矩阵形式）10列不同分类故障数据标签，一共将近12万行数据，如下图所示

    然后保存为CSV形式，以便后续处理。

    data_12k_1797_10c.set_index('de_normal',inplace=True)

data_12k_1797_10c.to_csv('data_12k_1797_10c.csv')

    对10分类数据时序图数据可视化，二维图像辨识度比较高。

    第二步，制作数据集：

    数据集的切分方式也多种多样，切分步长也具有多样性，下面按照固定的参数设置进行数据的切分：

  • 步长 window_step：512 （每个样本长度为512个点）
  • 重叠率 overlap_ratio：0.5（切分相邻两个样本重叠率）

    • 怎么理解重叠率呢？举例如下：

    切分样本点后，按照7：2：1划分训练集、验证集、测试集，最后保存数据：

    3 基于Python的故障诊断和分类的研究思路

    3.1 关于轴承故障类型分类的方法探讨

    第一类是对一维故障数据进行分类

  • 一是直接对一维故障数据，添加分类标签进行处理，送进CNN、LSTM等网络进行分类；
  • 二是先对一维故障数据做一些处理或者去噪，然后再进行分类；

    • 第二类是把一维故障数据转换为图像进行分类

  • 一是转换为二维时序图进行分类；
  • 二是转换为时频图像进行分类；
  • 三是基于格拉姆角场(GAF)转换为二维图像进行分类；

    • 3.2 重点介绍关于轴承故障数据时频图像分类的方法

    滚动轴承发生故障时，其振动信号往往具有非线性、非平稳性特点。相比传统的时域和频域分析方法，在处理非线性、非平稳信号时，时频分析方法更加有效。

    时频分析方法采用时域和频域的二维联合表示，可以实现非平稳信号局部特性的精确描 述，具有时域和频域等传统方法无法比拟的优势，已经被广泛地应用于机械故障诊断领域。

    常用的时频分析方法有：

  • 傅里叶变换（Fourier Transform，FT）
  • 短时傅里叶变换（Short Time Fourier Transform，STFT）
  • 小波变换（Wavelet Transform，WT）
  • 连续小波变换（CWT）

    • 下面以连续小波变换（CWT）作为轴承故障数据的处理方法进行讲解：

    第一步，Python中连续小波变换（CWT）介绍

    导入相关包，pywt 用于小波变换

    import numpy as np
import matplotlib.pyplot as plt
import pywt
import pandas as pd

    加载轴承数据集   驱动端故障数据

    data3 = loadmat(r'21_2.mat')

data_list3 = data3['X222_DE_time'].reshape(-1)

data = data_list3[0:512]

    设置连续小波变换参数  设置采样周期为 1/12000，总尺度为 128，小波基函数选择 ‘cmor1-1’

    sampling_period  = 1.0 / 12000
totalscal = 128    
wavename = 'cmor1-1'

    计算小波基函数的中心频率 fc

    fc = pywt.central_frequency(wavename)

    然后根据 totalscal 计算参数 cparam

    ​
cparam = 2 * fc * totalscal  

    通过除以 np.arange(totalscal, 0, -1) 来生成一系列尺度值，并存储在 scales 中

    scales = cparam / np.arange(totalscal, 0, -1)

    生成时频图

    第二步，生成时频图像数据集

    如图所示为生成的图像数据集

    第三步， 定义数据加载器和VGG网络模型

    制作数据标签，保存数据

    定义VGG网络模型

    第三步，设置参数，训练模型

    30个epoch，准确率将近90%，继续调参可以进一步提高分类准确率

    参考资料

    [1]杜岩. 基于时频图像识别的滚动轴承故障诊断方法研究

    [2]GShang . 博客园 (cnblogs.com)") -https://www.cnblogs.com/gshang/p/10712809.html

    自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

    深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

    因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

    img

    img

    img

    img

    img

    img

    既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

    由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

    如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）

    …(img-Uesws6nI-1712899700421)]

    [外链图片转存中…(img-DpDHXTdi-1712899700421)]

    img

    img

    既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

    由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

    如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）

    img作者：小池学编程

    物联沃分享整理
    物联沃-IOTWORD物联网 » Python实战：凯斯西储大学轴承数据解读与分类处理【CWRU Bearing Data】

    代码收藏家 普通

    分享到：

    相关推荐

    发表回复