卷积神经网络处理一维信号（故障诊断）

（注：从小白角度出发，刚接触卷积神经网络的小伙伴，很多人和我一样就是想知道这段代码怎么把信号输入进去，怎么看输出结果，怎么把输出结果与测试集的数据进行对比，从而知道测试结果,这些我在下面有解释。本文最后会附有链接，包括我用的数据，源码。大家可以看一下数据格式，我当时就是不知道表格里的数据到底是什么格式，然后搞了好久！！！！如果有问题的小伙伴可以留言，我会尽力解答。。）
编辑器：Anaconda+jupyter
环境：python ：3.7.10
tensorflow:：2.3.0

代码如下：

import keras
from scipy.io import loadmat
import matplotlib.pyplot as plt
import glob
import numpy as np
import pandas as pd
import math
import os
from keras.layers import *
from keras.models import *
from keras.optimizers import *//这里是我导入的训练集数据训练集，大家对应自己的信号数据就好，数据我下面会发，大家可以看一下数据的格式；
MANIFEST_DIR = r'C:\Users\Administrator\Desktop\test\frftdata\train\frfttrain1.0.csv'
Batch_size = 30
Long = 800
Lens = 200
def convert2oneHot(index, lens):hot = np.zeros((lens,))hot[int(index)] = 1return(hot)def xs_gen(path=MANIFEST_DIR, batch_size=Batch_size, train=True, Lens=Lens):img_list = pd.read_csv(path)if train:img_list = np.array(img_list)[:Lens]print("Found %s train items." % len(img_list))print("list 1 is", img_list[0, -1])steps = math.ceil(len(img_list) / batch_size)else:img_list = np.array(img_list)[Lens:]print("Found %s test items." % len(img_list))print("list 1 is", img_list[0, -1])steps = math.ceil(len(img_list) / batch_size)while True:for i in range(steps):batch_list = img_list[i * batch_size: i * batch_size + batch_size]np.random.shuffle(batch_list)batch_x = np.array([file for file in batch_list[:, 1:-1]])batch_y = np.array([convert2oneHot(label, 4) for label in batch_list[:, -1]])yield batch_x, batch_y
//这里是导入的我测试集的数据
TEST_MANIFEST_DIR = r'C:\Users\Administrator\Desktop\test\frftdata\test\frfttest1.0.csv'def ts_gen(path=TEST_MANIFEST_DIR, batch_size=Batch_size):img_list = pd.read_csv(path)img_list = np.array(img_list)[:Lens]print("Found %s test items." % len(img_list))print("list 1 is", img_list[0, -1])steps = math.ceil(len(img_list) / batch_size)while True:for i in range(steps):batch_list = img_list[i * batch_size:i * batch_size + batch_size]batch_x = np.array([file for file in batch_list[:, 1:]])yield batch_x
TIME_PERIODS = 5000def build_model(input_shape=(TIME_PERIODS,), num_classes=4):model = Sequential()model.add(Reshape((TIME_PERIODS, 1), input_shape=input_shape))model.add(Conv1D(16, 8, strides=2, activation='relu', input_shape=(TIME_PERIODS, 1)))model.add(Conv1D(16, 8, strides=2, activation='relu', padding="same"))model.add(MaxPooling1D(2))model.add(Conv1D(64, 4, strides=2, activation='relu', padding="same"))model.add(Conv1D(64, 4, strides=2, activation='relu', padding="same"))model.add(MaxPooling1D(2))model.add(Conv1D(256, 4, strides=2, activation='relu', padding="same"))model.add(Conv1D(256, 4, strides=2, activation='relu', padding="same"))model.add(MaxPooling1D(2))model.add(Conv1D(512, 2, strides=1, activation='relu', padding="same"))model.add(Conv1D(512, 2, strides=1, activation='relu', padding="same"))model.add(MaxPooling1D(2))""" model.add(Flatten())model.add(Dropout(0.3))model.add(Dense(256, activation='relu'))"""model.add(GlobalAveragePooling1D())model.add(Dropout(0.3))model.add(Dense(num_classes, activation='softmax'))return(model)
Train = Trueif __name__ == "__main__":if Train == True:train_iter = xs_gen()val_iter = xs_gen(train=False)ckpt = keras.callbacks.ModelCheckpoint(filepath='best_model.{epoch:02d}-{val_loss:.4f}.h5',monitor='val_loss', save_best_only=True, verbose=1)model = build_model()opt = Adam(0.0002)model.compile(loss='categorical_crossentropy',optimizer = opt, metrics=['accuracy'])print(model.summary())train_history = model.fit_generator(generator=train_iter,steps_per_epoch=Lens // Batch_size,epochs=25,initial_epoch=0,validation_data=val_iter,validation_steps=(Long - Lens) // Batch_size,callbacks=[ckpt],)model.save("finishModel.h5")else:test_iter = ts_gen()model = load_model("best_model.49-0.00.h5")pres = model.predict_generator(generator=test_iter, steps=math.ceil(528 / Batch_size), verbose=1)print(pres.shape)ohpres = np.argmax(pres, axis=1)print(ohpres.shape)df = pd.DataFrame()df["id"] = np.arange(1, len(ohpres) + 1)df["label"] = ohpresdf.to_csv("predicts.csv", index=None)test_iter = ts_gen()for x in test_iter:x1 = x[0]breakplt.plot(x1)plt.show()def show_train_history(train_history, train, validation):plt.plot(train_history.history[train])plt.plot(train_history.history[validation])plt.ylabel('Train History')plt.ylabel(train)plt.xlabel('Epoch')plt.legend(['train', 'validation'], loc='upper left')plt.show()show_train_history(train_history, 'accuracy', 'val_accuracy')show_train_history(train_history, 'loss', 'val_loss')plt.rcParams['font.sans-serif'] = ['SimHei']
plt.figure(figsize=(6, 4))
plt.plot(train_history.history['accuracy'], "g--", label="训练集准确率")
plt.plot(train_history.history['val_accuracy'], "g", label="验证集准确率")
plt.plot(train_history.history['loss'], "r--", label="训练集损失函数")
plt.plot(train_history.history['val_loss'], "r", label="验证集损失函数")
plt.title('模型的准确率和损失函数', fontsize=14)
plt.ylabel('准确率和损失函数', fontsize=12)
plt.xlabel('世代数', fontsize=12)
plt.ylim(0)
plt.legend()
plt.show()//这里是我导入的测试集的标签表格，用来对比神经网络的测试结果，并且后面生成混淆矩阵；
//这里的标签就是200个测试集的数据的故障标签
file = r"C:\Users\Administrator\Desktop\shiyong22.csv"
all_df = pd.read_csv(file)
ndarray = all_df.values
ndarray[:2]test_iter = ts_gen()
pres = model.predict_generator(generator=test_iter, steps=math.ceil(520 / Batch_size), verbose=1)
print(pres.shape)print(ndarray.shape)ohpres = np.argmax(pres, axis=1)
print(ohpres.shape)
ohpres=ohpres[:200]
ohpresimport matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix
import numpy as npdef cm_plot(original_label, predict_label, pic=None):cm = confusion_matrix(original_label, predict_label)plt.figure()plt.matshow(cm, cmap=plt.cm.GnBu)plt.colorbar()for x in range(len(cm)):for y in range(len(cm)):plt.annotate(cm[x, y], xy=(x, y), horizontalalignment='center', verticalalignment='center')plt.ylabel('Predicted label')plt.xlabel('True label')plt.title('Confusion Matrix')if pic is not None:plt.savefig(str(pic) + '.jpg')plt.show()plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False
cm_plot(ndarray, ohpres)from sklearn.metrics import accuracy_score
accuracy_score(ndarray, ohpres)train_history.history['loss']train_history.history['val_loss']train_history.history['val_accuracy']train_history.history['accuracy']

数据下载链接：
https://gitee.com/wjj_xiaoxiansheng/cnn_-frft_-data

数据介绍
类别：标签0、1、2、3分别为正常状态、内圈故障、外圈故障、滚动体故障；
信号：每个样本信号5000个数据点，共有1000个样本。从中随机抽取800个样本作为训练集，另外200个样本作为测试集。
注：我是对分数阶傅里叶变换做训练和测试，阶次（从0到1，间隔0.05，阶次为0时就是原始时域信号，阶次为1是就是傅里叶变换的数据结果，从文件夹名称可以看出。大家可以只用0.0阶次就是原始时域信号试一下。

卷积神经网络处理一维信号（故障诊断）相关推荐

一维卷积神经网络结构图,一维卷积神经网络原理
1.卷积神经网络算法是什么? 一维构筑.二维构筑.全卷积构筑. 卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Fe ...
基于一维卷积神经网络对机械振动信号进行分类并加以预测
基于一维卷积神经网络对机械振动信号进行分类并加以预测 *使用一维卷积神经网络训练振动信号进行二分类 2020年7月16日,一学期没等到开学,然而又放假了. 总览CSDN中大多数卷积神经网络都是对二维图 ...
基于1DCNN(一维卷积神经网络）的机械振动故障诊断
基于1DCNN(一维卷积神经网络)的机械振动故障诊断机械振动故障诊断最为经典的还是凯斯西储实验室的轴承故障诊断,开学一周了,上次改编鸢尾花分类的代码可用,但是并不准确.开学一周重新改编了别人的一篇代 ...
(8)卷积神经网络如何处理一维时间序列数据？
(8)卷积神经网络如何处理一维时间序列数据? 概述许多文章都关注于二维卷积神经网络(2D CNN)的使用,特别是图像识别.而一维卷积神经网络(1D CNNs)只在一定程度上有所涉及,比如在自然语言处 ...
卷积神经网络如何处理一维时间序列数据？
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自 | 人工智能与算法学习概述许多文章都关注于二维卷积神 ...
一维卷积神经网络原理,一维卷积神经网络应用
1.CNN(卷积神经网络).RNN(循环神经网络).DNN(深度神经网络)的内部网络结构有什么区别? 如下: 1.DNN:存在着一个问题--无法对时间序列上的变化进行建模.然而,样本出现的时间顺序对于 ...
基于卷积神经网络的心音信号识别
目录一.引言 1.研究背景 2.研究方案二.信号预处理 1.小波去噪 2.处理效果三.特征提取 1.数据筛选 2.特征提取四.模型搭建一.引言 1.研究背景心音信号作为生物医学信号中的重要 ...
卷积神经网络之一维卷积、二维卷积、三维卷积
1. 二维卷积图中的输入的数据维度为14×1414×14,过滤器大小为5×55×5,二者做卷积,输出的数据维度为10×1010×10(14−5+1=1014−5+1=10).如果你对卷积维度的计算不 ...
刘雪峰卷积神经网络,刘雪峰老师哪里人
哪些神经网络可以用在图像特征提取上 BP神经网络.离散Hopfield网络.LVQ神经网络等等都可以. 1.BP(BackPropagation)神经网络是1986年由Rumelhart和McCell ...

卷积神经网络处理一维信号（故障诊断）

卷积神经网络处理一维信号（故障诊断）

卷积神经网络处理一维信号（故障诊断）相关推荐

最新文章

热门文章