基于小波时频图和2D-CNN的齿轮箱故障检测

基于小波时频图和2D-CNN的齿轮箱故障检测

引用

CSDN

1.

https://blog.csdn.net/m0_67853969/article/details/131205641

本文介绍了一种基于小波时频图和2D-CNN的齿轮箱故障检测方法。通过东南大学齿轮数据集，选取行星齿轮z方向振动信号数据，利用小波变换将时域信号转换为时频图像，并通过CNN网络进行故障分类。

前言

以东南大学齿轮数据集为基础，选取行星齿轮z方向振动信号数据，每个信号样本包含1024个连续采样点。采集了5类运行状态的传感器信号，每类采集1000个时域图像。总体样本按照9:1的比例划分为训练集与测试集，然后传输到CNN网络上进行故障分类。

数据集（本文选取了第四列行星齿轮z方向）：

一、小波时域图

1. 小波时域图介绍

机械设备在不同运转状态下展现出来的时域、频域模式各不相同。因此，可以利用二维时频图像中特有的特征信息作为故障相关特征，通过深度神经网络来训练学习，从而实现故障分类识别。考虑到时频域分辨率问题，小波变换是一种广泛应用于机械故障诊断领域的时频分析方法，因此本文使用连续小波变换（CWT）来实现一维时间序列的时频分布生成。

2. Matlab提取时域图并保存

以保存surface为例，提取1000张小波时域图并保存。以下是Matlab代码实现：

%%
%东南大学齿轮箱数据集；保存1000个时频图
clear
clc
N = 1024000;
fs = 5120;
t = (1:1:1024)/fs;         %采样时间
%load('healthtest.mat');
%s = healthtest(:,1)';
load('surface.mat');
s = surface(:,1)';
y_reshaped = reshape(s,1024,1000)';  
for i = 1:size(y_reshaped, 1)
    %figure(1)
    %subplot(16,1,i);
    %plot(t,y_reshaped(i,:))
    %xlabel('时间/s')
    %ylabel('时域幅值/A')
    %title('时域波形')          %时域波形
    % 连续小波变换
    wavename='cmor3-3';%表示连续小波变换中使用的一个特定的 Morlet 小波
    totalscal=256;
    Fc=centfrq(wavename); % 小波的中心频率
    c=2*Fc*totalscal;
    scals=c./(1:totalscal);
    f=scal2frq(scals,wavename,1/fs); % 将尺度转换为频率
    coefs=cwt(y_reshaped(i,:),scals,wavename); % 求连续小波系数
    %figure
    imagesc(t,f,abs(coefs));
    set(gca,'YDir','normal')
    colorbar;
    xlabel('时间 t/s');
    ylabel('频率 f/Hz');
    %title('小波时频图');
    %axis([0 8 0 5000])
    axis off;
    colorbar('off');
    folder = 'C:\Users\16021\Desktop\WCT\data\surface'; % 修改为您的文件夹路径
    % 构造文件名
    filename = sprintf('surface.%d.png', i);
    % 保存绘图到指定文件夹
    saveas(gcf, fullfile(folder, filename), 'png');
end  

生成五组时域图，每组含有1000张时域图：

二、CNN图像分类

1.训练集和测试集

每一类采集1000个时域图像，将总体样本按照9:1的比例划分训练集与测试集。以下是Python代码实现：

"""
size:将图片划分为训练集和测试集
"""
import os
import random
import shutil

def split_train_test_folder(parent_folder, ratio):
    """
    将parent_folder文件夹下的图片按照ratio的比例分割成训练集和测试集，
    分割后的训练集和测试集中的图片将分别存放在train和test文件夹中
    :param parent_folder: 父文件夹路径，文件夹下存放着待分割的子文件夹以及图片
    :param ratio: 分割比例
    """
    train_folder = os.path.join(parent_folder, 'train_test','train')
    test_folder = os.path.join(parent_folder, 'train_test', 'test')
    if not os.path.isdir(train_folder):
        os.makedirs(train_folder)
    if not os.path.isdir(test_folder):
        os.makedirs(test_folder)
    for group_folder in os.listdir(parent_folder):
        if os.path.isdir(os.path.join(parent_folder, group_folder)):
            group_path = os.path.join(parent_folder, group_folder)
            file_list = os.listdir(group_path)
            total_num = len(file_list)
            test_num = int(total_num * ratio)
            train_num = total_num - test_num
            random.shuffle(file_list)
            train_list = file_list[:train_num]
            test_list = file_list[train_num:]
            for file in train_list:
                src_file = os.path.join(group_path, file)
                dst_file = os.path.join(train_folder, file)
                shutil.copy(src_file, dst_file)
            for file in test_list:
                src_file = os.path.join(group_path, file)
                dst_file = os.path.join(test_folder, file)
                shutil.copy(src_file, dst_file)
    print("Finish splitting dataset!")

split_train_test_folder('C:/Users/16021/Desktop/WCT/data/', 0.1)  

得到如下文件夹：

2.训练过程

训练过程：

3.混淆矩阵图

写在最后

本文介绍了基于小波时频图和2D-CNN的齿轮箱故障检测方法，通过东南大学齿轮数据集，详细描述了从数据预处理到模型训练的全过程。这种方法在实际应用中具有较高的准确性和可靠性，为旋转机械故障诊断提供了一种新的思路和方法。