基于BP神经网络的工业设备故障诊断实战：从数据预处理到模型部署

1次阅读

没有评论

共计 3083 个字符，预计需要花费 8 分钟才能阅读完成。

工业设备故障诊断一直是保障生产安全和效率的重要环节。传统方法主要依赖阈值报警，简单设置振动幅度或温度的上下限，当超过阈值时触发警报。这种方法虽然实现简单，但存在明显缺陷：

无法识别早期故障特征，往往故障已经发展到一定阶段才会报警
对非线性特征（如振动信号的高阶谐波）识别能力差
误报率高，受工况变化影响大

相比之下，基于 BP 神经网络的机器学习方法具有显著优势：

能够自动学习振动信号中的非线性特征模式
可以识别早期微弱的故障征兆
通过训练数据自适应不同工况，降低误报率

然而，工业数据具有噪声大、样本不平衡等特点，给神经网络应用带来挑战。下面我将分享完整的解决方案。

工业振动数据通常需要进行标准化处理。以下是两种常用方法的对比实现：

from sklearn.preprocessing import MinMaxScaler, StandardScaler
import numpy as np

# 模拟工业振动数据（特征数为 6）raw_data = np.random.rand(1000, 6) * 10  # 1000 个样本，6 个特征

# MinMax 标准化（归一化到 0 - 1 区间）minmax_scaler = MinMaxScaler()
minmax_data = minmax_scaler.fit_transform(raw_data)

# Z-score 标准化（均值 0，方差 1）zscore_scaler = StandardScaler()
zscore_data = zscore_scaler.fit_transform(raw_data)

选择建议：
– 当数据分布有明确边界时（如传感器量程固定），优先使用 MinMax
– 当存在异常值时，Z-score 更稳定

我们构建包含 Dropout 和 BatchNorm 的稳健网络：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, BatchNormalization

model = Sequential([
    # 输入层（假设预处理后特征数为 6）Dense(64, activation='relu', input_shape=(6,)),
    BatchNormalization(),  # 批标准化
    Dropout(0.3),  # 30% 随机失活

    # 隐层
    Dense(32, activation='relu'),
    BatchNormalization(),
    Dropout(0.2),

    # 输出层（假设是 5 分类问题）Dense(5, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

使用早停法防止过拟合：

from tensorflow.keras.callbacks import EarlyStopping

# 定义早停回调
early_stop = EarlyStopping(
    monitor='val_loss',
    patience=10,  # 允许连续 10 轮不改进
    restore_best_weights=True  # 恢复最佳权重
)

# 训练模型（假设已有 train_X, train_y, val_X, val_y）history = model.fit(
    train_X, train_y,
    validation_data=(val_X, val_y),
    epochs=100,
    batch_size=32,
    callbacks=[early_stop]
)

固定学习率可能导致训练后期在最优值附近振荡。采用指数衰减策略：

from tensorflow.keras.optimizers import Adam
from tensorflow.keras.callbacks import LearningRateScheduler

# 定义衰减函数
def lr_decay(epoch):
    initial_lr = 0.001
    decay_rate = 0.9
    return initial_lr * (decay_rate ** epoch)

# 在 callbacks 中添加
lr_scheduler = LearningRateScheduler(lr_decay)
callbacks = [early_stop, lr_scheduler]

通过网格搜索寻找最佳节点数（以第一个隐层为例）：

node_options = [32, 64, 128, 256]
results = {}

for nodes in node_options:
    model = create_model(first_layer_nodes=nodes)  # 创建模型的函数
    history = model.fit(...)
    best_val_acc = max(history.history['val_accuracy'])
    results[nodes] = best_val_acc

典型曲线趋势：节点过少会欠拟合，过多会过拟合，需找到准确率开始饱和的临界点。

工业数据中正常样本往往远多于故障样本。采用 Focal Loss 替代传统交叉熵：

def focal_loss(gamma=2., alpha=0.25):
    def focal_loss_fn(y_true, y_pred):
        # 防止 log(0)导致 NaN
        y_pred = tf.clip_by_value(y_pred, 1e-7, 1-1e-7)

        # 计算交叉熵
        ce = -y_true * tf.math.log(y_pred)

        # 计算调制因子
        weight = tf.pow(1 - y_pred, gamma)

        # 加入类别权重
        fl = alpha * weight * ce
        return tf.reduce_mean(fl)
    return focal_loss_fn

使用 TFLite 进行 8 位整数量化：

import tensorflow as tf

# 转换模型
converter = tf.lite.TFLiteConverter.from_keras_model(model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
quantized_model = converter.convert()

# 保存量化模型
with open('fault_diagnosis_quant.tflite', 'wb') as f:
    f.write(quantized_model)

量化后模型大小可减小 4 倍，推理速度提升 2 - 3 倍。

在 PHM2012 轴承数据集上的对比表现：