【基于RNN轴承故障数据训练及测试分析概述6000字】

[1]。采用这种方法即可在不实质性增加数据的情况下，使有限的数据创造更多的价值。以达到提高准确率的目的。如图3-4所示:图3-4重叠采样示意训练流程大致分为数据预处理，导入数据，得出训练结果这三步。以一次训练过程为例:首先对数据进行预处理。信号长度采用两个2个信号周期为864；总共10类数据，每类默认1000个数据；训练集/验证集/测试集比例为0.5/0.25/0.25；增强训练集采样顺延间隔为28.在代码中体现如图3-5所示：图3-5部分预处理代码接着将数据导入构建好的RNN模型中，RNN模型部分代码如图3-6所示：图3-6RNN模型部分代码最后进行机器训练得出结果，训练结果如图3-7所示：图3-7训练结果至此单次机器训练结束，训练过程中需要多次重复训练，故不再重复说明。训练过程中需要对权重W进行调整优化以解决“梯度爆炸”和“梯度消失”的问题，从深层神经网络的角度分析RNN模型的前向反馈过程，可以近似认为RNN是各层权重矩阵相同的深层网络，假设网络共有T层，那么经过运行的第T层的输出就是WT。也就是说随着T的增大，特征值矩阵中的每个特征值都将呈指数级增长。当特征值大于1时，这个维度的值爆炸增长，而当特征值小于1时，这个值将无限趋近于0。这就是被称为“梯度爆炸”和“梯度消失”的现象。为此，我选用TensorFlow自带的优化算法optimizer=tf.train.GradientDescentOptimizer(learning_rate)来解决这个问题。该算法在运行过程中会自动进行梯度下降来调整参数，整个调参过程可通过反复运行此算法来完成。经过不断优化得出相应的神经网络参数，该模型有两个卷积层，一个LSTM层一个全连接层和一个输出层，其具体参数如表3-4所示：表3-4神经网络具体参数编号网络层卷积核数窗口大小步长输出大小非零填充激活函数正则化1卷积层166416128X16samereluL22卷积层323164X32validreluL23LSTM层2232X32valid4展平102456全连接层输出层3210relusoftmaxL2L21.7模型测试及误差损失率计算本文选取型号为SKF6205的滚动轴承故障数据，该型号滚动轴承内径，外径，厚度分别为:25mm,52mm和15mm。采样频率为48KHZ。首先，选取1000个正常轴承数据，绘制其时域波形图与后续数据作对比来判断故障形式。正常轴承时域波形图如图3-8所示：图3-8正常轴承时域波形图在数据集中选取1000个内圈故障数据，绘出其时域波形图，如图3-9所示：图3-9内圈故障数据时域波形图将其与正常轴承对比，内圈故障振动峰值远大于正常轴承且上下波动较大，可以推测内圈可能发生了变形或者断裂。将数据导入模型训练。用20次训练结果进行测试，准确率如表3-5所示：表3-5内圈训练准确率训练次数训练集准确率测试集准确率190.4%81.2%285.4%84.3%394.2%86.5%491.2%90.1%5678…91.4%92.1%91.2%91.6%…92.1%91.4%94.2%96.3%…2099.8%99.6%将训练集和测试集结果绘制对比图，如图3-10所示：图3-10训练结果对比图计算在内圈故障上的平均误差损失率S：，算得平均误差损失率约为5.3%。接着在数据集中选取1000个外圈故障数据，绘出其时域波形图，如图3-11所示：图3-11外圈故障数据时域波形图将其与正常轴承对比，外圈故障数据峰值稍高于正常轴承且整体振幅较为平缓，可以推测外圈可能发生了磨损，同样进行20次训练并列出表格3-6:表3-6外圈训练准确率次数训练集准确率测试集准确率190.6%82.4%292.4%84.3%391.2%87.5%491.2%91.1%5678…88.4%92.1%91.2%88.6%…92.1%91.4%92.2%96.3%…2098.6%98.4%将训练集和测试集结果绘制对比图，如图3-12所示：图3-12训练结果图计算在外圈故障上的平均误差损失率S：，算得误差平均损失率约为6.7%。然后选取1000个滚动体故障数据，绘出其时域波形图，如图3-13所示：图3-13滚动体故障数据时域波形图将其与正常轴承对比，滚动体故障数据峰值略高于正常轴承，但整体振幅都较高于正常轴承，因次推测滚动体可能发生了腐蚀。同样进行20次训练并列出表3-7：表3-7滚动体训练准确率次数训练集准确率测试集准确率192.6%80.4%292.4%89.3%394.2%87.5%492.2%92.1%5678…90.4%92.1%89.2%90.6%…91.4%92.2%96.3%94.2%…2099.5%99.6%将训练集和测试集结果绘制对比图,如图3-14所示：图3-14训练结果图计算在滚动体数据诊断上的平均误差损失率S