机械故障诊断及工业工程故障诊断若干例子（第6篇）

MATLAB环境下基于谱幅值调制的轴承故障诊断

Python环境下基于WGAN-GP方法的时间序列信号生成（以轴承振动信号为例）

算法程序运行环境为Python，采用tensorflow深度学习模块。该代码利用生成对抗网络WGAN-GP方法生成时间序列信号（例如轴承振动信号），以增强不平衡训练数据下故障诊断模型的分类精度。

关于WGAN-GP方法，请参考：

WGAN-GP方法介绍 - AI搬运工的文章 - 知乎 https://zhuanlan.zhihu.com/p/52799555

训练数据集为CWRU bearning data，以B007类信号（滚动体故障，故障尺寸0.007mm）为例，生成的时间序列振动信号如下

MATLAB环境下基于希尔伯特(Hilbert)包络解调的轴承故障诊断-采用Paderborn轴承数据集

使用传统的希尔伯特(Hilbert)包络解调方法对paderborn轴承数据集振动信号进行分析诊断，得出故障类型。

采集装置

试验数据来自德国Paderborn轴承数据集，试验平台由电动机、扭矩测量轴、滚动轴承测试模块、飞轮和负载电机等组成。

轴承测试模块可安装不同的试验轴承。试验台采集不同工况下电机的电流信号及轴承外壳振动信号。
操作参数: 转速、径向力和负载扭矩。
试验设置: 对于每一个轴承，都有4组相同试验设置，3个主要操作参数有一组固定水平作为基本设置，作为一组实验；另外在固定水平的基础上改变其中一个参数，得到另外3组实验。测量过程中各操作参数保持不变，而温度则在整个试验过程中也保持在一定范围内。

试验轴承

装置可安装到轴承测试模块的轴承型号：6203、N203、NU203，试验采用的轴承类型均为6203。

6203参数:

包络解调

故障所引
起的低频（通常是数百HZ以内）冲击脉冲激起了高频（数十倍于冲击频率）共振波形，对它进行包络、检波、低通滤波（即解调），会获得一个对应于低频冲击的而又放大并展宽的共振解调波形。
当存在局部故障的轴承运行时，将会在运行中产生冲击脉冲，进而激起轴承的高频固有振动，这种高频固有振动将成为轴承的载波，并且受到故障引起的调制，故通过对轴承的振动信号，进行解调，可以在调制波谱中得到轴承出现的故障特征频率，从而用其诊断轴承的故障类型。
对轴承振动信号进行包络解调，能够检测到很弱的冲击故障信号，因此可以比较容易的发现轴承的故障特征频率。其方法、实现过程为：先对原始数据进行Hilbert变换，再通过对经Hilbert变换后的数据取模得到包络线，再对其进行傅里叶变换，得到包络谱图，可以较为清晰地发现是否有故障特征频率的存在，从而对轴承的故障情况进行诊断。
原始数据集链接
https://mb.uni-paderborn.de/en/kat/main-research/datacenter/bearing-datacenter/data-sets-and-download

原始数据选用N09_M07_F10_KB23_1

clear,clc;
load("KB23N09_M07_F10_KB23_1.mat");

fs = 64e3;  % Sampling frequency
T = 1/fs;   % Sampling period     
lowpassF = 5e3; % lowpass frequency

ogData = N09_M07_F10_KB23_1.Y; % data

rpm = ogData(4).Data;          % rpm data
testdata = ogData(end).Data;   % viberation data

信号去趋势并作图

subplot(121);plot(testdata);
testdata = detrend(testdata);
 subplot(122);plot(testdata);

解调与带通滤波

从包络谱图中可以看到有间隔的边频带。

计算故障特征频率

%% 计算故障特征频率
D=29.05;
d=6.75;
fr=mean(rpm)/60;  %用平均转速进行分析
z=8;                              %滚子个数
alpha=0;
bpfo = 0.5*z*fr*(1-d/D*cos(alpha));
bpfi = 0.5*z*fr*(1+d/D*cos(alpha));
bsf = 0.5*D/d*fr*(1-(d/D)^2*(cos(alpha))^2); 
ftf = 0.5*fr*(1-d/D*cos(alpha));

画图包络谱以及故障特征频率对比线

python环境下基于CNN的轴承故障诊断及TSNE特征可视化

注意：该代码所用模块版本

tensorflow版本2.8.0

keras版本2.8.0

sklearn版本1.0.2

用到的模块如下

import seaborn as sns
import numpy as np
import pandas as pd
import os
import matplotlib.pyplot as plt
from sklearn.preprocessing import LabelEncoder
from tensorflow.keras.utils import to_categorical
from sklearn.metrics import confusion_matrix

所用的轴承数据部分如下

一维振动信号转化为灰度图

分类混淆矩阵

TSNE特征可视化

Pytorch环境下基于深度判别迁移学习网络的轴承故障诊断

源域数据为西储大学轴承数据48kcwru_data.npy

目标域与为江南大学轴承数据jnudata600_data.npy

附带参考文献

MATLAB环境下基于典型相关性分析、偏最小二乘法和主成分分析方法的TE过程故障诊断

算法程序运行环境为MATLAB R2018a，采用典型相关性分析、偏最小二乘法和主成分分析3种方法对TE过程进行故障诊断。其中，典型相关性分析CCA方法出图一个，偏最小二乘法出图2个，其他均为主成分分析出图，分别如下。

以上项目的代码可面包多找到

面包多代码