基于WP-SAE的轴承故障诊断

1、小波包分解        小波包变换既可以对低频部分信号进行分解，也可以对高频部分进行分解，而且这种分解既无冗余，也无疏漏，即对包含大量中、高频信息的信号能够进行更好的时频局部化分析。和小波变换分解原理一样。

分解图以轴承外圈故障信号为例： 

 

 

 2.自编码SAE        简单的自编码SAE是一种三层神经网络模型，包含了数据输入层、隐藏层、输出重构层，同时它是一种无监督学习模型。

由两部分构成：

1. 编码器（encoder）：这部分能将输入压缩成潜在空间表征，可以用编码函数h=f(x)表示。
2. 解码器（decoder）：这部分重构来自潜在空间表征的输入，可以用解码函数r=g(h)表示。

因此，整个自编码器可以用函数g(f(x)) = r 来描述，其中输出r与原始输入x相近。

想学习得更深刻参考博客SAE. 3、轴承故障诊断实例 数据选取：数据位西储大学轴承数据，采样频率为12khz，有内圈，外圈，滚动体三种故障。本次选用了四百组数据，三种故障和正常状态分别一百组。 导入库：

from sklearn.model_selection import train_test_split
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Dense,Input
from keras.utils.np_utils import to_categorical
from sklearn.metrics import classification_report, confusion_matrix, recall_score
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

import os
from sklearn import preprocessing
import pywt
import pywt.data

import glob

进行小波包分解，分解层数3层，计算得到的八个特征的能量值作为实验数据集。

path = r'E:/FUXIAN-ZHOUCHENG/WP-SAE/0HP/'
def read_txt(path):
    cate = [path + x for x in os.listdir(path) if os.path.isdir(path + x)]
    imgs = []
    labels = []
    for idx, folder in enumerate(cate):
        for im in glob.glob(folder + '/*.txt'):
            img = np.loadtxt(im)
            imgs.append(img)
            labels.append(idx)
    return np.asarray(imgs, np.float32), np.asarray(labels, np.int32)


data1, label = read_txt(path)
print(label)  

aaa = []
aad = []
ada = [] 
add = []
daa = [] 
dad = []
dda = []
ddd = []
for i in range(len(data1)):
    print(i)
    data = data1[i]
    wp = pywt.WaveletPacket(data, wavelet='db1',mode='symmetric',maxlevel=3)
    n = 3
    re = []  #第n层所有节点的分解系数
    for j in [node.path for node in wp.get_level(n, 'freq')]:
        re.append(wp[j].data)
    #第n层能量特征
    energy = []
    for k in re:
        energy.append(pow(np.linalg.norm(k,ord=None),2))
    aaa.append(energy[0])
    aad.append(energy[1])
    ada.append(energy[2])
    add.append(energy[3])
    daa.append(energy[4])
    dad.append(energy[5])
    dda.append(energy[6])
    ddd.append(energy[7])
np.savetxt('E:/FUXIAN-ZHOUCHENG/WP-SAE/aaa.txt',aaa)
np.savetxt('E:/FUXIAN-ZHOUCHENG/WP-SAE/aad.txt',aad)
np.savetxt('E:/FUXIAN-ZHOUCHENG/WP-SAE/ada.txt',ada)
np.savetxt('E:/FUXIAN-ZHOUCHENG/WP-SAE/add.txt',add)
np.savetxt('E:/FUXIAN-ZHOUCHENG/WP-SAE/daa.txt',daa)
np.savetxt('E:/FUXIAN-ZHOUCHENG/WP-SAE/dad.txt',dad)
np.savetxt('E:/FUXIAN-ZHOUCHENG/WP-SAE/dda.txt',dda)
np.savetxt('E:/FUXIAN-ZHOUCHENG/WP-SAE/ddd.txt',ddd)

四种数据能量分布图如下： 

 

构造完数据集，再用自编码进行故障识别。

x = pd.read_csv('E:/FUXIAN-ZHOUCHENG/WP-SAE/tezheng.csv',usecols=["1",'2','3','4','5','6','7','8'])    
y = pd.read_csv('E:/FUXIAN-ZHOUCHENG/WP-SAE/tezheng.csv',usecols=['label'])
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.2)
print(x_train)
y_train_cate= to_categorical(y_train, num_classes=4)
y_test_cate= to_categorical(y_test, num_classes=4)

input_img=Input(shape=(8,))
# 编码层
encoded=Dense(20,activation='relu',name='encoded_hidden1')(input_img)
encoder_output=Dense(12,activation='relu',name='encoded_hidden2')(encoded)
LR=Dense(4,activation='softmax',name='LR')(encoder_output)

# 解码层
decoded=Dense(12,activation='relu',name='decoded_hidden2')(encoder_output)
decoded=Dense(20,activation='relu',name='decoded_hidden3')(decoded)
decoded=Dense(8,activation='tanh',name='decoded_output')(decoded)

# # 构建自编码模型
# autoencoder=Model(inputs=input_img,outputs=decoded)

# # complile autoencoder 设置自编码的优化参数
# autoencoder.compile(optimizer='adam',loss='mse')
# # train
# history = autoencoder.fit(x_train,x_train,epochs=100,batch_size=16,shuffle=True)

# 采用编码层的网络结构，从新构成一个新的model，此model的参数跟原来autoencode的训练的参数一样。
encoder=Model(inputs=input_img,outputs=LR)
encoder.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['categorical_accuracy'])
history = encoder.fit(x_train,y_train_cate,epochs=50,batch_size=16,shuffle=True,validation_split=0.1)
score=encoder.evaluate(x_test,y_test_cate)
print(score)
print(encoder.summary())

# 显示训练集和验证集的acc和loss曲线
acc = history.history['categorical_accuracy']
val_acc = history.history['val_categorical_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']

plt.subplot(1, 2, 1)
plt.plot(acc, label='Training Accuracy')
plt.plot(val_acc, label='Validation Accuracy')
plt.title('Training and Validation Accuracy')
plt.legend()

plt.subplot(1, 2, 2)
plt.plot(loss, label='Training Loss')
plt.plot(val_loss, label='Validation Loss')
plt.title('Training and Validation Loss')
plt.legend()
plt.show()

效果图如下：

 此图有波动，应该是数据集稍微不够，有兴趣你们可以去验证。