[Lecture 1] 1차원 신호처리 (딥러닝)

업데이트: 2023.01.11 Updated: 2023.01.11

카테고리: DL Signal

태그: coding deeplearning signal python

1. 1차원 신호

안녕하세요! 방학한 기념으로 시간이 날 때마다 1차원 신호에 대해 딥러닝을 할 수 있도록 차근차근 설명을 시작해보려고 합니다.
저는 위의 그림과 같은 1차원 진동신호를 연구하고 있는데요. 신호마다 데이터 처리방법이나 딥러닝 모델 구조 등등 다를 수도 있다는 점 참고해주시면 감사하겠습니다.

Q. 1차원 신호란?

A. 쉽게 말해 차원이 한개인 신호입니다. 예를 들어 우리가 컴퓨터 화면으로 쉽게 볼 수 있는 사진은 2차원 이미지라고 하고, 우리가 현실세계에서 보는 물체들은 3차원 물체라고 합니다.

1차원 신호는 단순하게 표현될 수 있지만, 이미지와 달리 물리적인 요소가 굉장히 많이 포함되어 있어 전기전자공학, 기계공학에서 주로 다루게 됩니다.

2. 데이터 불러오기

본격적으로 데이터를 불러오는 과정을 포스팅하겠습니다.
저는 아래의 CWRU bearing data를 사용하였습니다. 이번 포스트에서는 0.007” 0HP, OR007@6_0 데이터를 사용하겠습니다.

베어링 고장은 대표적으로 내륜고장, 볼고장, 외륜고장이 존재합니다. 저는 고장특성이 잘 드러나는 외륜고장으로 사용하였습니다. ( 추가적으로 궁금하신 분은 댓글 부탁드립니다 :) )

Data Link: 1 dimensional signal - CWRU DATASET

데이터를 다운받으시고 다음과 같이 아무 폴더에 data 폴더를 만들고 data폴더에 데이터를 넣어주세요. (파이썬을 잘 다루시는 분들이라면 상관없지만, 처음부터 따라오시는 분들을 위해 추천합니다.)

jupyter lab이나 jupyter notebook을 켜서 코딩을 시작하도록 하겠습니다. (파이썬 설치나, pytorch 설치가 안되신 분들은 블로그에 설치순서대로 다운해주시면 되겠습니다.)

2.1 라이브러리 불러오기

import sys
import os
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

우선 사용할 파이썬 라이브러리를 불러옵니다.

2.2 Matlab 파일 처리하기

data_path = os.path.join(os.getcwd(), 'data/')

from scipy.io import loadmat

signal = loadmat(data_path + '130.mat')

print(signal)

data_path를 지정해줍니다. getcwd()를 통해 현재 위치를 불러올 수 있고, data의 경로를 지정해줄 수 있습니다.

Q. 이러한 방법이 편한가요?

A. 개인의 취향이지만, 저는 다음과 같이 경로를 관리합니다. 왜냐하면 컴퓨터를 옮기거나 다른 컴퓨터에서 작업할 때, 폴더만 옮겨주게 되면 어느 곳에서도 작동하기 때문에 이러한 방법을 추천드립니다.
CWRU data는 matlab파일이어서 matlab 파일을 처리해주는 과정을 거쳐야합니다.
scipy 라이브러리에 loadmat을 사용해 불러오도록 하겠습니다.

다음과 같이 output이 나오는 것을 알 수 있습니다. Matlab을 사용하지 않으신 분들은 새로워 보일 수 있지만, dictionary 형태로 되어 있어 쉽게 데이터를 불러올 수 있습니다.
참고로 DE, FE등등은 Drive End, Fan End의 줄임말으로 센서의 위치를 의미합니다.
저희는 Drive End의 파일을 불러오도록 하겠습니다.

2.3 데이터 Plot

plt.plot(signal['X130_DE_time'][:2000], 'black')

key를 ‘X130_DE_time’으로 입력해주고 데이터의 길이가 길기 때문에 2000까지만 plot하게 되면 다음과 같은 신호가 출력되게 됩니다!

3. 데이터 획득 Class화 하기

 class cwru_dataset():
    def __init__(self, data_dir, save_dir, data_list, data_info, condition_list, name, random_seed):
        self.data_dir = data_dir
        self.save_dir = save_dir
        self.data_list = data_list
        self.data_info = data_info
        self.condition_list = condition_list
        self.name = name
        self.random_seed = random_seed
        
        self.window_size = 1200
        self.num_data = 4000
    
    def get_data(self):
        # Normal = 0 Inner = 1 Ball = 2 Outer = 3
        X_data = np.zeros((self.num_data * len(self.data_list), self.window_size))
        Y_data = np.zeros((self.num_data * len(self.data_list), len(self.data_list)))
        for k, data in enumerate(self.data_list):
            signal = loadmat(self.data_dir  + data)[self.data_info[k]]

            # sliding window
            ix = list(range(0, len(signal)-self.window_size, int((len(signal)-100)/self.num_data)))[:self.num_data]
            
            for i, idx in enumerate(ix):
                X_data[i + k * self.num_data] = signal[idx : idx + self.window_size].reshape(1, self.window_size)
                Y_data[i + k * self.num_data] = np.eye(len(self.condition_list))[k]
        
        np.save(self.save_dir + 'X_CWRU{}'.format(name), X_data)
        np.save(self.save_dir + 'Y_CWRU{}'.format(name), Y_data)
        
        print('Complete {}'.format(self.name))

파이썬에 생소하신 분들은 조금 어려울 수 있지만, Class를 조금 배우고 사용하시면 간편하게 데이터를 불러오실 수 있을 것 같아요.
딥러닝을 돌리는 것이 최종목표이기 때문에 X값과 Y값을 지정해주었습니다.
데이터가 길기 때문에, sliding window방식으로 데이터를 잘라주었습니다.
천천히 읽어보시면서 이해가 어려운 부분은 댓글이나 메일로 문의 부탁드립니다 :)

data_path = os.path.join(os.getcwd(), 'data/')

data_list = ['130.mat']
data_info = ['X130_DE_time']
condition_list = ['OR']
name = '_raw_data'
cwru_dataset(data_path, data_path, data_list, data_info, condition_list, name, 42).get_data()

최종적으로 다음과 같은 코드를 실행하면, 입력한 폴더로 data가 저장됩니다.

4. Reference

Loparo, K. A. “Case western reserve university bearing data center.” Bearings Vibration Data Sets, Case Western Reserve University (2012): 22-28.

Kim Yong Chae