Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类

news2024/10/7 18:22:43

往期精彩内容：

前言

模型整体结构

1 变分模态分解VMD的Python示例

2 轴承故障数据的预处理

2.1 导入数据

2.2 故障VMD分解可视化

2.3 故障数据的VMD分解预处理

3 基于VMD-CNN-BiGRU-Attenion的轴承故障诊断分类

3.1 定义VMD-CNN-BiGRU-Attenion分类网络模型

3.2 设置参数，训练模型

3.3 模型评估

代码、数据如下：

往期精彩内容：

Python-凯斯西储大学（CWRU）轴承数据解读与分类处理

Python轴承故障诊断 (一)短时傅里叶变换STFT

Python轴承故障诊断 (二)连续小波变换CWT_pyts 小波变换故障-CSDN博客

Python轴承故障诊断 (三)经验模态分解EMD_轴承诊断 pytorch-CSDN博客

Pytorch-LSTM轴承故障一维信号分类(一)_cwru数据集pytorch训练-CSDN博客

Pytorch-CNN轴承故障一维信号分类(二)-CSDN博客

Pytorch-Transformer轴承故障一维信号分类(三)-CSDN博客

Python轴承故障诊断 (四)基于EMD-CNN的故障分类-CSDN博客

Python轴承故障诊断 (五)基于EMD-LSTM的故障分类-CSDN博客

Python轴承故障诊断 (六)基于EMD-Transformer的故障分类-CSDN博客

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类-CSDN博客

Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类-CSDN博客

基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型-CSDN博客

基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客

大甩卖-（CWRU）轴承故障诊数据集和代码全家桶-CSDN博客

Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类-CSDN博客

Python轴承故障诊断 (十)基于VMD+CNN-Transfromer的故障分类-CSDN博客

前言

本文基于凯斯西储大学（CWRU）轴承数据，进行变分模态分解VMD的介绍与数据预处理，最后通过Python实现VMD-CNN-BiGRU-Attenion的时空特征融合多头注意力机制对故障数据的分类。凯斯西储大学轴承数据的详细介绍可以参考下文：

Python-凯斯西储大学（CWRU）轴承数据解读与分类处理_cwru数据集时域图-CSDN博客

模型整体结构

模型整体结构如下所示：

VMD分解：

输入：轴承振动信号
操作：通过VMD技术将原始信号分解成多个本征模态函数（IMF）
输出：每个IMF表示不同频率范围内的振动成分

CNN特征提取：

输入：VMD分解得到的IMFs
操作：对每个IMF进行卷积和池化操作，提取局部特征
输出：卷积池化后的特征表示，用于捕获不同频率下的振动特征

BiGRU-Attention时序特征提取：

输入：CNN提取的特征序列
操作：双向GRU网络学习序列信息，Attention机制关注重要的时序特征
输出：经BiGRU-Attention处理后的时序特征表示，具有更好的时序建模能力

特征增强：

输入：BiGRU-Attention提取的时序特征
操作：可以采用归一化、降维、特征融合等方法对特征进行增强，提高模型性能和泛化能力

1 变分模态分解VMD的Python示例

第一步，Python 中 VMD包的下载安装：

# 下载
pip install vmdpy

# 导入

from vmdpy import VMD

第二步，导入相关包进行分解

import numpy as np
import matplotlib.pyplot as plt
from vmdpy import VMD

# -----测试信号及其参数--start-------------
t = np.linspace(0, 1, 1000)
signal = np.sin(2 * np.pi * 5 * t) + np.sin(2 * np.pi * 20 * t)

T = len(signal)
fs = 1/T
t = np.arange(1,T+1)/T

# alpha 惩罚系数；带宽限制经验取值为抽样点长度1.5-2.0倍.
# 惩罚系数越小，各IMF分量的带宽越大，过大的带宽会使得某些分量包含其他分量言号;
alpha = 2000

#噪声容限，一般取 0, 即允许重构后的信号与原始信号有差别。
tau = 0
#模态数量  分解模态（IMF）个数
K = 5

#DC 合成信号若无常量，取值为 0；若含常量，则其取值为 1
# DC 若为0则让第一个IMF为直流分量/趋势向量
DC = 0

#初始化ω值，当初始化为 1 时，均匀分布产生的随机数
# init 指每个IMF的中心频率进行初始化。当初始化为1时，进行均匀初始化。
init = 1

#控制误差大小常量，决定精度与迭代次数
tol = 1e-7
# -----测试信号及其参数--end----------

# Apply VMD
# 输出U是各个IMF分量，u_hat是各IMF的频谱，omega为各IMF的中心频率
u, u_hat, omega= VMD(signal, alpha, tau, K, DC, init, tol)

#得到中心频率的数值
print(omega[-1])

# Plot the original signal and decomposed modes
plt.figure(figsize=(15,10))
plt.subplot(K+1, 1, 1)
plt.plot(t, signal, 'r')
plt.title("原始信号")

for num in range(K):
    plt.subplot(K+1, 1, num+2)
    plt.plot(t, u[num,:])
    plt.title("IMF "+str(num+1))

plt.show()