凯斯西储大学轴承数据故障分类（使用卷积神经网络）

一.数据预处理

我们挑选了同一工况下的五种故障进行分类实验。故障类别如下：

因为该数据是一维的，所以我们要进行一些预处理。有以下步骤：

1.以400个采样点为一个样本，取300个样本（取120000个采样点）2.取200个作为训练集，100个作为测试集。
3.将六种类别数据堆叠称numpy数组
3.吧训练集和测试集样本变形为(1620,20,20,1)，这样就可以喂入卷积神经网络里进行训练了。
4.打乱数据
5.将标签转化为one-hot
代码如下：

import numpy as np
def yuchuli(data,label):a = np.loadtxt(data)a = a[0:120000]a  = a.reshape(300,400)np.random.shuffle(a)train = a[:200,:]test = a[200:,:]label_test = np.array([label for i in range(0,100)])label_train = np.array([label for i in range(0, 200)])return train,test ,label_train ,label_test
def stackkk(a,b,c,d,e,f,g,h):aa = np.vstack((a, e))bb = np.vstack((b, f))cc = np.hstack((c, g))dd = np.hstack((d, h))return aa,bb,cc,dd
x_tra0,x_tes0,y_tra0,y_tes0 = yuchuli('G:\\Astudy\\数据预处理\\负载1五种\\nomal_x098_de.txt',0)
x_tra1,x_tes1,y_tra1,y_tes1 = yuchuli('G:\\Astudy\\数据预处理\\负载1五种\\b07_de.txt',1)
x_tra2,x_tes2,y_tra2,y_tes2 = yuchuli('G:\\Astudy\\数据预处理\\负载1五种\\ir07_de.txt',2)
x_tra3,x_tes3,y_tra3,y_tes3 = yuchuli('G:\\Astudy\\数据预处理\\负载1五种\\or07@3_de.txt',3)
x_tra4,x_tes4,y_tra4,y_tes4 = yuchuli('G:\\Astudy\\数据预处理\\负载1五种\\or07@6_de.txt',4)
x_tra5,x_tes5,y_tra5,y_tes5 = yuchuli('G:\\Astudy\\数据预处理\\负载1五种\\or07@12_de.txt',5)tr1,te1,yr1,ye1=stackkk(x_tra0,x_tes0,y_tra0,y_tes0 ,x_tra1,x_tes1,y_tra1,y_tes1)
tr2,te2,yr2,ye2=stackkk(tr1,te1,yr1,ye1,x_tra2,x_tes2,y_tra2,y_tes2)
tr3,te3,yr3,ye3=stackkk(tr2,te2,yr2,ye2,x_tra3,x_tes3,y_tra3,y_tes3)
tr4,te4,yr4,ye4=stackkk(tr3,te3,yr3,ye3,x_tra4,x_tes4,y_tra4,y_tes4)
tr5,te5,yr5,ye5=stackkk(tr4,te4,yr4,ye4,x_tra5,x_tes5,y_tra5,y_tes5)
print('测试标签:',ye5,'\n','训练标签：',yr5)y_train = yr5
y_test = ye5#转化为二维矩阵x_train = tr5.reshape(1200,20,20,1)
x_test = te5.reshape(600,20,20,1)state = np.random.get_state()
np.random.shuffle(x_train)
np.random.set_state(state)
np.random.shuffle(y_train)def to_one_hot(labels,dimension=6):results = np.zeros((len(labels),dimension))for i,label in enumerate(labels):results[i,label] = 1return results
one_hot_train_labels = to_one_hot(y_train)
one_hot_test_labels = to_one_hot(y_test)

构建网络

我们使用卷积神经网络，网络结构如下：

from keras import layers
from keras import modelsmodel = models.Sequential()
model.add(layers.Conv2D(4,(10,10),padding='same',activation='relu',input_shape=(20,20,1)))
model.add(layers.MaxPooling2D((3,3),strides=2))
model.add(layers.Conv2D(4,(5,5),padding='same',activation='relu'))
model.add(layers.MaxPooling2D((3,3),strides=2))
model.add(layers.Conv2D(8,(3,3),padding='same',activation='relu'))
model.add(layers.Conv2D(8,(3,3),padding='same',activation='relu'))
model.add(layers.Conv2D(8,(3,3),padding='same',activation='relu'))
model.add(layers.MaxPooling2D((3,3),strides=2))
model.add(layers.Flatten())
model.add(layers.Dense(64,activation='relu'))
model.add((layers.Dense(6,activation='softmax')))
model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])

三.绘制图像观察结果

不多bb，代码如下：


from keras import layers
from keras import modelsmodel = models.Sequential()
model.add(layers.Conv2D(4,(10,10),padding='same',activation='relu',input_shape=(20,20,1)))
model.add(layers.MaxPooling2D((3,3),strides=2))
model.add(layers.Conv2D(4,(5,5),padding='same',activation='relu'))
model.add(layers.MaxPooling2D((3,3),strides=2))
model.add(layers.Conv2D(8,(3,3),padding='same',activation='relu'))
model.add(layers.Conv2D(8,(3,3),padding='same',activation='relu'))
model.add(layers.Conv2D(8,(3,3),padding='same',activation='relu'))
model.add(layers.MaxPooling2D((3,3),strides=2))
model.add(layers.Flatten())
model.add(layers.Dense(64,activation='relu'))
model.add((layers.Dense(6,activation='softmax')))
model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])history = model.fit(x_train,one_hot_train_labels,epochs=20,batch_size=50)
#绘制训练过程中的损失曲线和精度曲线import matplotlib.pyplot as pltacc = history.history['accuracy']
loss = history.history['loss']
epochs = range(1,len(acc) + 1)
plt.plot(epochs,acc,'bo',label='Training acc')
plt.title('Training  accuracy')
plt.legend()
plt.figure()
plt.plot(epochs,loss,'bo',label='Training loss')
plt.title('Training  loss')
plt.legend()
plt.show()print(history.history.keys())
print(model.evaluate(x_test,one_hot_test_labels))

可以看到我们训练的非常拟合，
再看它在测试集的表现：

近乎完美！

凯斯西储大学轴承数据故障分类（使用卷积神经网络）相关推荐

tensorflow自编码器+softmax对凯斯西储大学轴承数据进行故障分类
先放参考链接,感谢大神们带来的启发: 凯斯西储大学轴承数据故障分类(使用卷积神经网络) TensorFlow实现MNIST识别(softmax) 前情回顾: tensorflow 自编码器+softm ...
tensorflow 堆叠自编码器SDAE对凯斯西储大学轴承数据进行故障分类
之前的一些介绍:tensorflow自编码器+softmax对凯斯西储大学轴承数据进行故障分类前面研究了一下自编码器,并顺利利用自编码器对轴承数据进行了故障分类,但我们在实际应用时,应用更多的还是堆 ...
Tensorflow2.0：CNN 解决凯斯西储大学轴承数据集的分类问题
文章目录项目介绍代码实现 1.导入需要的库 2.参数设置 3.归一化 4.定义滑窗函数 5.取样本 6.划分训练集和测试集 7.得到 Dataset 类型数据集 8.建立模型 9.初始化优化器 1 ...
CWRU（凯斯西储大学轴承数据中心）数据集获取
CWRU(凯斯西储大学轴承数据中心)数据集获取网址 https://engineering.case.edu/bearingdatacenter/apparatus-and-procedures 数据 ...
凯斯西储大学轴承数据的疑问
这里有两个问题: ①在使用凯斯西储大学轴承数据进行CNN故障分类时, 训练的准确率从开始的慢慢增长,一直到训练几百次之后,准确率会骤降,突然降低到0.1左右,然后一直保持很低的状态,大概是训练模型不起 ...
凯斯西储大学轴承数据具体处理过程（用作CNN输入）
凯斯西储大学轴承数据具体处理过程本文阐述处理类似凯斯西储大学的轴承数据(一维时间序列信号)的一种方法(结合CNN使用). 原信号在数据文件中是以mat文件呈现,如果想具体查看文件里面放的什么数据,可 ...
凯斯西储大学轴承数据介绍及处理
轴承故障诊断一般使用美国凯斯西储大学的数据集进行标准化检测算法的优劣.以下几种实验数据提取和使用方法为我在论文中所看到的.进行以下陈述一.基于 RA-LSTM 的轴承故障诊断方法实验数据采用美国凯 ...
凯斯西储大学轴承故障诊断数据集详解
目录前言一.凯斯西储大学数据集的来源与历史二.凯斯西储大学数据集的结构与特点三.凯斯西储大学数据集的实验环境四.凯斯西储大学数据集在轴承故障诊断研究中的应用五.凯斯西储大学数据集的局限性 ...
美国西储大学轴承数据
如图所示,实验平台包括一个2马力的电机(左侧)(1hp=746W),一个转矩传感器(中间),一个功率计(右侧)和电子控制设备(没有显示).被测试轴承支承电机轴.使用电火花加工技术在轴承上布置了单点故障 ...

凯斯西储大学轴承数据故障分类（使用卷积神经网络）

一.数据预处理

构建网络

三.绘制图像观察结果

凯斯西储大学轴承数据故障分类（使用卷积神经网络）相关推荐

最新文章

热门文章