将机械振动信号基于一维卷积神经网络分类预测*采用一维卷积神经网络训练振动信号分为两类
2020年7月16日，第一学期没等到开学，又放假了。
总览CSDN大多数卷积神经网络对二维图像进行分类，但图像也是常见的猫狗分类，属于minst手写数字分类。 卷积神经网络的使用非常少见，也可分为IDMB情感分类和鸢尾。
作者就读于河北省双飞，在全国排名第270多位。 哈哈，不吹也不吹。
在网上查也找不到可以用来研究我的机器故障诊断的代码，但是之后，没办法只能去某个宝藏搜索代码，使用了。 这段代码是对鸢尾进行改造后分类的，直观性强，本人天资愚钝的人很容易得到。 通常直接访问代码。
importnumpyasnpimportpandasaspdfromsklearn.preprocessingimportlabelencoderfromsklearn.preprocessingimportstandardscalerfrorfrorn ufflesplitfromkeras.modelsimportsequentialfromkeras.layersimportdense，Activation，Flatten，Flatten MaxPooling1D， btchnormalizationfromkeras.optimizersimportsgdfromkeras.utilsimportnp _ utilsfromkeras.modelsimportload _ model train USS 培训集test=PD.read _ CSV (c :/users/PC/desktop/导入100test.CSV ' )的test ) : label _ encoder=label encoder (.fit (train.species ) labels=label _ encoder.) n=train.drop(['species '，' id']，axis=1) test=test.drop )，axis=1)返回train，labels，t train claseses test ) scaled_train=train.values# SSS将每个数据集的30%用作测试SSS=stratifiedshufflesplit ) test_sizlit valid _ indexinsss.split (scaled _ train，labels ) : X_train，x _ valin scaled _ train [ valid _ index ] y _ train labels [ valid _ index ] nb _ features=64nb _ class=len (classes ) # reshape train data这里的128稍微强调了一下，64*2=128，数据在此，为什么，我们要在代码下详细介绍x_train _ r=NP.zeros ((len (x _ train )，nb_features，3 ) ) x _ train？ nb _ features 3360128 ] x _ train _ r [ 128: ] print (x _ train _ r ) reshapevalidationdatax _ valid _ r=NP.zeratid 3360 nb _ features ] x _ valid _ r [ :1 ]=x _ valid [ :nb _ features 3360128 ] x _ valid _ r [ 12365292;
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 pdimport numpy as npfrom sklearn.preprocessing import StandardScalerfrom keras.models import load_model,Sequentialfrom keras.layers import Dense, Activation, Flatten, Convolution1D, Dropout,MaxPooling1D,BatchNormalizationc = 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
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rqdxgz半年没见到就毕业了。研二rqdxgz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