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 2567 个字符，预计需要花费 7 分钟才能阅读完成。

工业设备振动信号就像人的心电图，包含大量非线性特征（non-linear characteristics）。传统阈值报警（threshold alarm）就像用固定标准判断所有病症：

漏诊率高：无法识别早期微弱故障特征
误报频繁：受工况波动影响大
适应性差：新故障模式需重新设定阈值

而 BP 神经网络（Backpropagation Neural Network）的三大优势正好应对这些痛点：

非线性映射能力：可拟合振动信号与故障类型的复杂关系
特征自学习：自动提取时域 / 频域关键特征
泛化性能：通过正则化技术抑制过拟合

工业数据常存在量纲不统一问题，这里对比两种标准化方法：

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

# 模拟振动信号数据（3 个传感器，1000 个样本）data = np.random.rand(1000, 3) * [5, 0.1, 20]  # 模拟不同量纲

# MinMax 标准化（归一化到 [0,1]）minmax_scaler = MinMaxScaler()
minmax_data = minmax_scaler.fit_transform(data)

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

实验发现 ：对于振动信号，Z-score 在存在异常值时表现更稳定

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, BatchNormalization
from tensorflow.keras.regularizers import l2

model = Sequential([
    # 输入层（自动适配输入维度）Dense(64, activation='relu', kernel_regularizer=l2(0.01)),
    BatchNormalization(),  # 批标准化
    Dropout(0.3),  # 随机失活 30% 神经元

    # 隐藏层
    Dense(128, activation='relu'),
    BatchNormalization(),
    Dropout(0.4),

    # 输出层（假设有 5 种故障类型）Dense(5, activation='softmax')
])

关键设计点：

使用 L2 正则化（regularization）约束权重
BatchNorm 层加速收敛并缓解梯度消失
阶梯式增加 Dropout 比例

from tensorflow.keras.callbacks import (
    EarlyStopping, 
    ReduceLROnPlateau
)

# 当验证 loss 连续 5 次未下降时，降低学习率
lr_scheduler = ReduceLROnPlateau(
    monitor='val_loss', 
    factor=0.5,
    patience=5,
    verbose=1
)

# 当验证 loss 连续 10 次未下降时停止训练
early_stop = EarlyStopping(
    monitor='val_loss',
    patience=10,
    restore_best_weights=True
)

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

history = model.fit(
    X_train, y_train,
    validation_data=(X_val, y_val),
    epochs=100,
    batch_size=32,
    callbacks=[lr_scheduler, early_stop]
)

策略	最终准确率	训练时间	振荡幅度
固定学习率 (0.001)	89.2%	45min	±3.2%
阶梯衰减	90.5%	38min	±1.8%
ReduceLROnPlateau	92.1%	35min	±0.9%

通过网格搜索得到的经验公式：

 第一层节点数 ≈ 输入特征数 × 1.5 
第二层节点数 ≈ 第一层节点数 × 0.8

def focal_loss(gamma=2., alpha=0.25):
    def focal_loss_fn(y_true, y_pred):
        pt = tf.where(tf.equal(y_true, 1), y_pred, 1 - y_pred)
        return -tf.reduce_mean(alpha * tf.pow(1. - pt, gamma) * tf.math.log(pt))
    return focal_loss_fn

# 在 compile 时使用
model.compile(optimizer='adam', loss=focal_loss())

参数量化 ：将 FP32 转为 INT8

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