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片进行分类的，而图片也都是常见的猫狗分类，minst手写数字分类。一维卷积神经网络的使用非常少见，有也是IDMB情感分类，和鸢尾花分类的。
作者研究生就读于河北一所双飞，全国排名270多，哈哈哈，不吹不黑。
在网上翻来翻去找不到一篇可以利用的代码去研究我的机械故障诊断，后来在无奈下到某宝搜寻到一段代码，可以利用。这篇代码是改装鸢尾花分类的，直观性较强，对于本人天资愚钝的人来说入手方便。不多说直接上代码：
import numpy as np
import pandas as pd
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import StratifiedShuffleSplit
from keras.models import Sequential
from keras.layers import Dense, Activation, Flatten, Convolution1D, Dropout,MaxPooling1D,BatchNormalization
from keras.optimizers import SGD
from keras.utils import np_utils
from keras.models import load_modeltrain = pd.read_csv('C:/Users/pc/Desktop/100train.csv')#导入训练集
test = pd.read_csv('C:/Users/pc/Desktop/100test.csv')#导入测试集#这里是代码的精髓之处，编辑数据集中的标签，直接使用即可
def encode(train, test):label_encoder = LabelEncoder().fit(train.species)labels = label_encoder.transform(train.species)classes = list(label_encoder.classes_)train = train.drop(['species', 'id'], axis=1)test = test.drop('id', axis=1)return train, labels, test, classestrain, labels, test, classes = encode(train, test)scaled_train=train.values
# SSS将每个数据集中的30%用作测试
sss = StratifiedShuffleSplit(test_size=0.3, random_state=23)
for train_index, valid_index in sss.split(scaled_train, labels):X_train, X_valid = scaled_train[train_index], scaled_train[valid_index]y_train, y_valid = labels[train_index], labels[valid_index]nb_features = 64
nb_class = len(classes)# reshape train data这里的128强调一点，64*2=128，如果数据量大，可以改变nb_feature的大小，同时在这里将128改成nb_feature的2倍，这里为什么这样，将在代码下面详细说明
X_train_r = np.zeros((len(X_train), nb_features, 3))
X_train_r[:, :, 0] = X_train[:, :nb_features]
X_train_r[:, :, 1] = X_train[:, nb_features:128]
X_train_r[:, :, 2] = X_train[:, 128:]
print(X_train_r)
# reshape validation data
X_valid_r = np.zeros((len(X_valid), nb_features, 3))
X_valid_r[:, :, 0] = X_valid[:, :nb_features]
X_valid_r[:, :, 1] = X_valid[:, nb_features:128]
X_valid_r[:, :, 2] = X_valid[:, 128:]model = Sequential()
model.add(Convolution1D(nb_filter=16, filter_length=64,strides=1, input_shape=(nb_features, 3),padding='same'))
model.add(Activation('tanh'))#在对振动信号，尤其是在对加速度计测得的振动信号时使用tanh是个不错的选择
model.add(MaxPooling1D(2,strides=2,padding='same'))
model.add(BatchNormalization(axis=-1, momentum=0.99, epsilon=0.001, center=True, scale=True, beta_initializer='zeros', gamma_initializer='ones', moving_mean_initializer='zeros', moving_variance_initializer='ones', beta_regularizer=None, gamma_regularizer=None, beta_constraint=None, gamma_constraint=None))
model.add(Convolution1D(32,3,padding='same'))
model.add(Activation('tanh'))
model.add(MaxPooling1D(2,strides=2,padding='same'))
model.add(BatchNormalization(axis=-1, momentum=0.99, epsilon=0.001, center=True, scale=True, beta_initializer='zeros', gamma_initializer='ones', moving_mean_initializer='zeros', moving_variance_initializer='ones', beta_regularizer=None, gamma_regularizer=None, beta_constraint=None, gamma_constraint=None))
model.add(Flatten())
model.add(Dropout(0.3))
model.add(Dense(100, activation='tanh'))
model.add(Dense(10, activation='tanh'))
model.add(Dense(nb_class))
model.add(Activation('softmax'))
model.summary()y_train = np_utils.to_categorical(y_train, nb_class)#这里是将数据集中的标签做成独热码，直接黏贴就好了
y_valid = np_utils.to_categorical(y_valid, nb_class)sgd = SGD(lr=0.01, nesterov=True, decay=1e-6, momentum=0.9)
model.compile(loss='categorical_crossentropy',optimizer=sgd,metrics=['accuracy'])nb_epoch = 150model.fit(X_train_r, y_train, nb_epoch=nb_epoch, validation_data=(X_valid_r, y_valid), batch_size=32)model.save('fei100_model.h5')#将训练好的模型保存，不想保存的话可以在代码前加上#
前十行没什么可说的，导入乱七八糟的函数，日常不管用不用的到瞎鸡导入，不会影响训练。
这里说明为什么上面将长度为192的代码分成三个长度为64的在重整成一个三维矩阵加载进第一个卷积层：
在鸢尾花分类的时候是有三大个明显特征的，这里用长、宽、高代替，因为原本是什么，本人记不清楚了，懒得去查，也不重要了。那么问题来了，这是在训练振动信号不用将192长的信号再分成三段了，于是本人将代码进行改变，将原本reshape部分删除，将第一个卷积层的输入改成1维，中间过程不堪入目，终于两天后我放弃了，总是维度有问题，就是无法将（175，192）的数据输入到（1，192）的卷积层中，然后又将（175，192）的信号曾了个维度还是不行，在此希望成功的小伙伴在下面评论一下，或者把代码发本人邮箱983401858@qq.com哈哈哈哈。
关于振动信号采用激活函数tanh是因为，本人尝试了relu,和sigmod但发现，效果并没有tanh好，为什么不好，同样好在哪里，就不一一赘述了。
下面，用训练好的模型去预测新收集到的振动信号，当然了，并没有真的做实验去获得新数据，是从原有数据中摘取出一部分。预测用的代码如下：
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from keras.models import load_model,Sequential
from keras.layers import Dense, Activation, Flatten, Convolution1D, Dropout,MaxPooling1D,BatchNormalization
c = pd.read_csv('C:/Users/pc/Desktop/10000.csv')
a=np.array(c)
b=a.reshape(-1,64,3)
model=Sequential()
model = load_model("fei100_model.h5")
predict=model.predict(b)
呐，这就基本上完成了。
本人简单的贴一下预测结果
0 1
0 0.99957 0.000430316
1 0.00109235 0.998908
2 0.999585 0.000414541
3 0.0143072 0.985693
4 0.999522 0.000478374
5 0.999482 0.000517729
6 0.00236826 0.997632
7 0.154483 0.845517
8 0.999583 0.000417115
9 0.999579 0.000420685
10 0.0249035 0.975097
11 0.999566 0.000434191
12 0.00106062 0.998939
13 0.999545 0.000454852
14 0.999595 0.000404937
15 0.63731 0.36269
16 0.00356141 0.996439
17 0.00621646 0.993783
18 0.999571 0.000429145
19 0.99954 0.00045966其中0代表信号中的bad,1代表信号中的good
数据在没测试前的标签如下图
选择的是2-21行，这样就是20个样本进行验证。可以看出预测的和原本的不太一致，预测过程中将第一行直接转移到了最后一行，奇奇怪怪令人不解，其中还有个预测的概率为0.6多。这样就在研究我的课题时变相的迈了一小步。
细心的朋友可能早就发现，本人将代码里的归一化，标准化删除了，哈哈哈，卖个乖，本人的研究中发现了一种标准化方法，还在测试阶段，不一定理想。所以将数据直接用matlab归一化和标准化好了。图片中的数据使用的用每个值减去最小值除以最大值得来的。虽然做起来麻烦，但是这样做的好处倒也是有的，那就是在测试的程序中不用再添加训练时的归一化标准化程序。往往在训练的程序中进行归一化处理，再到预测程序中进行归一化，往往得到一些奇奇怪怪的预测结果。
数据集的连接：
https://pan.baidu.com/s/18rkiU9gROfSMQhZ5nDzEsg
提取码sbun
永久有效
第一次写博客分享研究生一年来，做出的丁点成果。希望看过这篇帖子的同志在下面评论，共同学习，共同进步。我导师带研究生在3届，然而研三师兄半年没见到就毕业了。研二师兄做老师的另外一个课题。老师赴美学习被堵到了国外。这学上的稀里糊涂，难受的丫批。
有问题评论区指出，共同讨论，本人虚心受教
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相关推荐
- 基于一维卷积神经网络的滚动轴承故障识别
基于一维卷积神经网络的滚动轴承故障识别 文章目录 基于一维卷积神经网络的滚动轴承故障识别 一.数据预处理 二.模型构建 三.模型训练 四.模型测试 总结 一.数据预处理 采用美国凯斯西储大学(CWRU ...
- 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 ...
- 基于FPGA的一维卷积神经网络CNN的实现（二）资源分配
资源分配 环境:Vivado2019.2. Part:xcku040-ffva1156-2-i,内嵌DSP个数 1920个,BRAM 600个也就是21.1Mb. 说明:通过识别加高斯白噪声的正弦波. ...
- 基于FPGA的一维卷积神经网络CNN的实现（一）框架
理论建立与效果展示 环境:Vivado2019.2. Part:xcku040-ffva1156-2-i,内嵌DSP个数 1920个,BRAM 600个也就是21.1Mb. 说明:通过识别加高斯白噪声 ...
- 基于FPGA的一维卷积神经网络CNN的实现（三）训练网络搭建及参数导出（附代码）
训练网络搭建 环境:Pytorch,Pycham,Matlab. 说明:该网络反向传播是通过软件方式生成,FPGA内部不进行反向传播计算. 该节通过Python获取训练数据集,并通过Pytorch框架 ...
- 腾讯多媒体实验室：基于三维卷积神经网络的全参考视频质量评估算法
腾讯有多个视频业务线,点播视频有腾讯视频.企鹅影视,短视频有微视.K歌,直播类有Now直播.企鹅电竞,实时传输类有QQ和微信的音视频通话.无线投屏和腾讯会议等. 用户对不同的产品有不同程度的期待:比如 ...
- 基于深度卷积神经网络进行人脸识别的原理是什么？
原文:https://www.zhihu.com/question/60759296 基于深度卷积神经网络进行人脸识别的原理是什么? 这里的人脸识别包括但不限于:人脸检测,人脸对齐,身份验证识别,和表 ...
- 【时间序列】基于一维卷积自动特征提取的短期用水需求量预测
今天带大家精读的论文是 <Short-term water demand forecast based on automatic feature extraction by one-dimens ...
- 基于深度卷积神经网络的目标检测研究综述
基于深度卷积神经网络的目标检测研究综述 人工智能技术与咨询 来自<光学精密工程> ,作者范丽丽等 摘要:作为计算机视觉中的基本视觉识别问题,目标检测在过去的几十年中得到了广泛地研究.目标检 ...
最新文章
- debian下为python2.7 安装MySQLdb扩展(mariadb)
- 在数据段DATA中有两个字数据X和Y, 假设X=1122H, Y=3344H, 编程求两个字的和,结果存放到Z单元中.
- javascript中this
- 国产嵌入式操作系统发展思考
- C# 定时器定时更新
- 毕业了去哪里工作，一位毕业多年北漂人的经验感悟
- JS: 浅拷贝vs深拷贝 | 刷题打卡
- 从零开始学电脑知识,一步一步到成为电脑知识高手
- Word批量打印证书（证书套打）
- java 排序sort_Java排序方法sort的使用详解（转）
- 服务器宽带估算及选择
- 断网重启路由器就好_为什么总是断网重启路由器就好了
- 支付宝APP支付扫码支付
- [Microsoft Lync] Find a previous conversation - Chat History
- 浅谈浏览器插件检测 和自定义协议的支持
- 2022年8月6日（星期六）:骑行宁湖公园
- 移动硬盘接口坏了怎么办解决教程
- Studing Day1 - python基础1
- python爬虫爬取豆瓣电影信息城市_Python爬虫入门 | 2 爬取豆瓣电影信息
- 读书笔记: 变系数波方程