1 數(shù)據(jù)集解讀

1.1 振動信號數(shù)據(jù)通常以時域顯示

在軸承故障數(shù)據(jù)集振動信號的時域表示中，通常將時間作為橫軸，振動信號的幅值作為縱軸。具體來說：

• 橫軸（X軸）代表時間： 時間是指振動信號采集的時刻或時間序列中的時間點。它表示了信號采集的順序和時間間隔。橫軸上的單位通常是秒（s）或毫秒（ms），取決于信號采集的頻率和持續(xù)時間。
• 縱軸（Y軸）代表振動信號的幅值： 振動信號的幅值表示了在特定時間點或時間段內(nèi)的振動強度或振幅。它反映了振動信號的能量或振幅大小。在軸承故障數(shù)據(jù)集中，縱軸（Y軸）代表的是軸承的振動信號的幅值，以加速度（Acceleration）作為單位?？v軸上的數(shù)值表示軸承在特定時間點或時間段內(nèi)的振動加速度值。

振動加速度是指物體在振動過程中的加速度變化，它是描述振動強度和振動頻率的重要指標(biāo)之一。在軸承故障數(shù)據(jù)集中，通過對軸承進行傳感器測量，可以獲取到軸承在運行過程中產(chǎn)生的振動信號，其幅值通過加速度來表示。

通過時域顯示，我們可以觀察到振動信號隨時間的變化情況，包括振動的周期性、幅值的變化、脈沖或波形的形狀等。這有助于分析信號中的特征、頻率成分、周期性或隨機性等，并對振動信號的特征進行故障診斷、頻譜分析、波形分析等進一步處理和解釋。

1.2 凱斯西儲大學(xué)軸承數(shù)據(jù)集 描述的是什么數(shù)據(jù)？

該數(shù)據(jù)集是一個常用的軸承故障數(shù)據(jù)集，用于故障診斷和預(yù)測的研究。該數(shù)據(jù)集包含了來自不同故障模式和工作條件下的軸承振動數(shù)據(jù)。

數(shù)據(jù)集描述的是在旋轉(zhuǎn)機械系統(tǒng)中使用的軸承的振動信號數(shù)據(jù)。軸承是旋轉(zhuǎn)機械中的重要組件，常常承受著高速和高負(fù)荷的工作環(huán)境，因此容易發(fā)生故障。自身內(nèi)部的缺陷有很多種像在加工生產(chǎn)時產(chǎn)生的或者在組裝過程中導(dǎo)致的形變，外部環(huán)境所導(dǎo)致的故障也有很多種例如變形、磨損、裂變等。通過監(jiān)測軸承的振動信號，可以獲得關(guān)于軸承運行狀態(tài)的信息，進而進行故障診斷和預(yù)測。

1.3 實驗平臺介紹

該實驗臺如圖所示，其組成為：

• 一個1.5KW（2馬力）的電動機（圖左側(cè)）；
• 一個扭矩傳感器/ 譯碼器（圖中間連接處）；
• 一個功率測試計（圖右側(cè)）；
• 電子控制器(圖中沒顯示) 。

待測軸承：

• 基座數(shù)據(jù)
• 電機驅(qū)動端
• 電機風(fēng)扇端

1.4 以上三個不同位置的振動數(shù)據(jù)的區(qū)別解讀

通過在電機殼體的 驅(qū)動端 、風(fēng)扇端和基座上放置加速度計，可以獲取到三個不同位置的振動數(shù)據(jù)。這些數(shù)據(jù)的區(qū)別在于它們所測量的振動信號反映的是不同的物理現(xiàn)象和特征，因而可以提供不同的信息用于故障診斷和監(jiān)測。

• 驅(qū)動端數(shù)據(jù)： 位于電機殼體的驅(qū)動端的加速度計測量的是電機驅(qū)動端的振動信號。這個位置上的振動信號主要受到電機轉(zhuǎn)子的旋轉(zhuǎn)和傳動系統(tǒng)的激勵影響，因此可以提供關(guān)于電機傳動系統(tǒng)和驅(qū)動端的故障信息，例如軸承故障、齒輪嚙合故障等。
• 風(fēng)扇端數(shù)據(jù)： 位于電機殼體的風(fēng)扇端的加速度計測量的是電機風(fēng)扇端的振動信號。這個位置上的振動信號主要受到風(fēng)扇葉片的旋轉(zhuǎn)和風(fēng)扇系統(tǒng)的激勵影響，因此可以提供關(guān)于風(fēng)扇系統(tǒng)的故障信息，例如風(fēng)扇葉片失衡、風(fēng)扇軸承故障等。
• 基座數(shù)據(jù)： 位于電機底座的加速度計測量的是整個電機系統(tǒng)的振動信號。這個位置上的振動信號受到電機整體結(jié)構(gòu)和運行狀態(tài)的影響，可以提供關(guān)于整個電機系統(tǒng)的故障信息，例如電機不平衡、底座松動等。

因此，通過收集不同位置上的振動數(shù)據(jù)，可以綜合分析不同位置所提供的故障特征，從而更全面地了解電機系統(tǒng)的健康狀況和故障狀態(tài)。這有助于提高故障檢測的準(zhǔn)確性和針對性，以便及時采取適當(dāng)?shù)木S護和修復(fù)措施。

1.4 官網(wǎng)數(shù)據(jù)集介紹

這是西儲大學(xué)軸承數(shù)據(jù)中心網(wǎng)頁下載數(shù)據(jù)的界面

• DE - 驅(qū)動端加速度計數(shù)據(jù)
• FE - 風(fēng)扇端加速度計數(shù)據(jù)
• BA - 基座加速度計數(shù)據(jù)
• time - 時間序列數(shù)據(jù)
• RPM - rpm during testing 轉(zhuǎn)每分鐘

第一個數(shù)據(jù)集：正常基線數(shù)據(jù)

Motor Load (HP) 的中文意思是電機負(fù)載（馬力）。它表示施加在電動機上的功率或負(fù)載，通常以馬力（HP）為單位進行衡量。它代表電機所執(zhí)行的工作量或所生成的功率。在0、1、2和3馬力的電機負(fù)載工況工作條件下記錄振動加速度信號數(shù)據(jù)。

Motor Speed (rpm)：近似電機轉(zhuǎn)速（rpm）

在不同負(fù)載和轉(zhuǎn)速下一共有四組正常的數(shù)據(jù)，數(shù)據(jù)文件為Matlab格式。用Python讀取第一個數(shù)據(jù)集結(jié)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)}

數(shù)據(jù)為字典格式，包括了創(chuàng)建版本信息、驅(qū)動端、風(fēng)扇端、RPM轉(zhuǎn)速信息等

**第二個數(shù)據(jù)集：**12k 驅(qū)動端軸承故障數(shù)據(jù)

采樣頻率為12 kHz，數(shù)據(jù)收集在12,000次/秒。

故障直徑（Fault Diameter）：指軸承或其他機械部件上出現(xiàn)的故障或損傷的直徑尺寸。故障直徑通常用來描述故障的大小和程度，對于故障診斷和預(yù)測維護非常重要。單位為英寸，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)電機負(fù)載和Motor Speed (rpm)電機轉(zhuǎn)速同上。

在軸承中，"Inner Race"（內(nèi)圈）、"Ball"（滾珠）和"Outer Race"（外圈）是三個重要的組成部分，它們一起構(gòu)成了軸承的基本結(jié)構(gòu)。下面是它們的具體含

• Inner Race（內(nèi)圈）：內(nèi)圈是軸承的一個環(huán)狀部件，通常位于滾珠或滾子之內(nèi)，與軸相配合。內(nèi)圈通過與滾動體接觸，在軸上旋轉(zhuǎn)，承受和傳遞軸向和徑向負(fù)荷。
• Ball（滾珠）：滾珠是軸承中的滾動體，它們通常是小球狀的物體，可以在內(nèi)圈和外圈之間滾動。滾珠在軸承中起到支撐和傳遞負(fù)荷的作用，減少摩擦和滑動。
• Outer Race（外圈）：外圈是軸承的另一個環(huán)狀部件，位于滾珠或滾子的外部。外圈與內(nèi)圈和滾珠配合，提供軸承的外部支撐和固定。

這三個部分共同工作，形成了軸承的基本結(jié)構(gòu)，以支撐和傳遞軸上的負(fù)荷，減少摩擦，并使軸承能夠平穩(wěn)運轉(zhuǎn)。它們的材料和設(shè)計會根據(jù)不同的應(yīng)用和軸承類型而有所差異，以滿足特定的負(fù)荷和工作環(huán)境要求。

驅(qū)動端和風(fēng)扇端軸承外圈的損傷點分別放置在3點鐘、6點鐘、12點鐘三個不同位置。所以外圈的損傷有三個數(shù)據(jù)集。

用Python讀取第一個數(shù)據(jù)集IR007_0結(jié)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)}

數(shù)據(jù)為字典格式，包括了創(chuàng)建版本信息、驅(qū)動端、風(fēng)扇端、基座RPM轉(zhuǎn)速信息等

查看一下驅(qū)動端數(shù)據(jù)條數(shù)

data1['X105_DE_time'].shape
(121265, 1)

將近12萬條，也就是采集了近10秒的數(shù)據(jù)

第三個數(shù)據(jù)集：48k 驅(qū)動端軸承故障數(shù)據(jù)

驅(qū)動端軸承故障還包含采樣頻率為48 kHz 的數(shù)據(jù)，數(shù)據(jù)收集在

48,000次/秒。

其分析同上。區(qū)別是采樣頻率不同，故障直徑（Fault Diameter）少一種。

第四個數(shù)據(jù)集：風(fēng)****扇端軸承故障數(shù)據(jù)

風(fēng)扇端采樣頻率為12 kHz 的數(shù)據(jù)，數(shù)據(jù)收集在12,000次/秒。

其分析同上。區(qū)別是對象和采樣頻率不同，故障直徑（Fault Diameter）也少一種。

上述四種數(shù)據(jù)集下載后如下

2 數(shù)據(jù)集分類與制作

2.1 數(shù)據(jù)集分類解讀

凱斯西儲大學(xué)軸承數(shù)據(jù)集包含了以上四種不同故障模式的振動數(shù)據(jù)，包括內(nèi)圈故障、外圈故障、滾動體故障。數(shù)據(jù)集提供了不同工作條件下的實驗數(shù)據(jù)，包括不同轉(zhuǎn)速、載荷和工作時間等參數(shù)。每個故障模式都有多個不同工況的樣本，按照不同條件約束，其分類形式有多種。

當(dāng)然，如果需要處理這些數(shù)據(jù)，來進行故障診斷和分類任務(wù)，并不是需要網(wǎng)站中的所有數(shù)據(jù)，可以只選擇我們需要的，比如選擇驅(qū)動端+0HP的故障數(shù)據(jù)。

以 12k Drive End Bearing Fault Data 舉例說明：

首先，有四種故障類型 ，只取前三種，因為0.028沒有外圈故障。

其次，比如0.007文件，只取前三類，因為第三種負(fù)載 和第四種負(fù)載差不多。

最后 ，外圈故障 只取Outer Race _6，即6點鐘的數(shù)據(jù)集，因為每個文件都有，而且數(shù)據(jù)差別也不大。

綜上：三種直徑數(shù)據(jù)和三種故障數(shù)據(jù)，所以每個工況共有3*3+1（正常數(shù)據(jù)）=10種數(shù)據(jù)。所以根據(jù)工況的不同可以把數(shù)據(jù)分為A、B、C三種。每個工況有10種數(shù)據(jù)。如下：

• 正常0hp 為一類
• 0.007 0hp 內(nèi)圈 滾珠 外圈
• 0.014 0hp 內(nèi)圈 滾珠 外圈
• 0.021 0hp 內(nèi)圈 滾珠 外圈

2.2 數(shù)據(jù)集處理與制作

第一步，數(shù)據(jù)讀?。?/p>

十類數(shù)據(jù)集，每類數(shù)據(jù)集中只獲取DE_time數(shù)據(jù)，Python讀取數(shù)據(jù)如下所示：

# 采用驅(qū)動端數(shù)據(jù)
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):
    # 讀取MAT文件
    data = loadmat(f'E:codeingVscodeProjectsDeepLearning故障診斷data_deal_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)
data_12k_1797_10c

把數(shù)據(jù)生成后放在一張表格里（矩陣形式）10列不同分類故障數(shù)據(jù)標(biāo)簽，一共將近12萬行數(shù)據(jù)，如下圖所示

然后保存為CSV形式，以便后續(xù)處理。

data_12k_1797.set_index('de_normal',inplace=True)
data_12k_1797.to_csv('data_12k_1797_10c.csv')

對10分類數(shù)據(jù)時序圖數(shù)據(jù)可視化，二維圖像辨識度比較高。

第二步，制作數(shù)據(jù)集：

數(shù)據(jù)集的切分方式也多種多樣，切分步長也具有多樣性，下面按照固定的參數(shù)設(shè)置進行數(shù)據(jù)的切分：

• 步長 window_step：512 （每個樣本長度為512個點）
• 重疊率 overlap_ratio：0.5（切分相鄰兩個樣本重疊率）

怎么理解重疊率呢？舉例如下：

切分樣本點后，按照7：2：1劃分訓(xùn)練集、驗證集、測試集，最后保存數(shù)據(jù)：

3 基于Python的故障診斷和分類的研究思路

3.1 關(guān)于軸承故障類型分類的方法探討

第一類是對一維故障數(shù)據(jù)進行分類

• 一是直接對一維故障數(shù)據(jù)，添加分類標(biāo)簽進行處理，送進CNN、LSTM等網(wǎng)絡(luò)進行分類；
• 二是先對一維故障數(shù)據(jù)做一些處理或者去噪，然后再進行分類；

第二類是把一維故障數(shù)據(jù)轉(zhuǎn)換為圖像進行分類

• 一是轉(zhuǎn)換為二維時序圖進行分類；
• 二是轉(zhuǎn)換為時頻圖像進行分類；
• 三是基于格拉姆角場(GAF)轉(zhuǎn)換為二維圖像進行分類；

3.2 重點介紹關(guān)于軸承故障數(shù)據(jù)時頻圖像分類的方法

滾動軸承發(fā)生故障時，其振動信號往往具有非線性、非平穩(wěn)性特點。相比傳統(tǒng)的時域和頻域分析方法，在處理非線性、非平穩(wěn)信號時，時頻分析方法更加有效。

時頻分析方法采用時域和頻域的二維聯(lián)合表示，可以實現(xiàn)非平穩(wěn)信號局部特性的精確描 述，具有時域和頻域等傳統(tǒng)方法無法比擬的優(yōu)勢，已經(jīng)被廣泛地應(yīng)用于機械故障診斷領(lǐng)域。

常用的時頻分析方法有：

• 傅里葉變換（Fourier Transform，F(xiàn)T）
• 短時傅里葉變換（Short Time Fourier Transform，STFT）
• 小波變換（Wavelet Transform，WT）
• 連續(xù)小波變換（CWT）

下面以連續(xù)小波變換（CWT）作為軸承故障數(shù)據(jù)的處理方法進行講解：

第一步，Python中連續(xù)小波變換（CWT）介紹

導(dǎo)入相關(guān)包，pywt 用于小波變換

import numpy as np

import matplotlib.pyplot as plt

import pywt

import pandas as pd

加載軸承數(shù)據(jù)集 驅(qū)動端故障數(shù)據(jù)

data3 = loadmat(r'21_2.mat')
data_list3 = data3['X222_DE_time'].reshape(-1)
data = data_list3[0:512]

設(shè)置連續(xù)小波變換參數(shù) 設(shè)置采樣周期為 1/12000，總尺度為 128，小波基函數(shù)選擇 'cmor1-1'

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

計算小波基函數(shù)的中心頻率 fc

fc = pywt.central_frequency(wavename)

然后根據(jù) totalscal 計算參數(shù) cparam

cparam = 2 * fc * totalscal

通過除以 np.arange(totalscal, 0, -1) 來生成一系列尺度值，并存儲在 scales 中

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

生成時頻圖

第二步，生成時頻圖像數(shù)據(jù)集

如圖所示為生成的圖像數(shù)據(jù)集

第三步， 定義數(shù)據(jù)加載器和VGG網(wǎng)絡(luò)模型

制作數(shù)據(jù)標(biāo)簽，保存數(shù)據(jù)

定義VGG網(wǎng)絡(luò)模型

第三步，設(shè)置參數(shù)，訓(xùn)練模型

30個epoch，準(zhǔn)確率將近90%，繼續(xù)調(diào)參可以進一步提高分類準(zhǔn)確率