WDCNN结合GRU滚动轴承故障诊断（十分类，Python代码，TensorFlow框架，压缩包包含数据集和代码，解压缩后直接运行）

已于 2023-09-06 22:49:13 修改
阅读量818 收藏 11
点赞数 1
分类专栏： 诊断领域创新代码 文章标签： gru 深度学习 人工智能
于 2023-04-07 15:39:13 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40840797/article/details/130013868
版权

项目文件夹：

main_0HP.py、main_1HP.py、main_2HP.py和main_3HP.py是故障诊断主程序，分别对应不同负载的数据，这四个程序只有数据调取路径这行代码不一样，其它部分都相同，只是担心新手不会修改数据路径，因此分成了四个脚本。preprocess.py是数据预处理程序，将原始数据变成一个个样本，被主程序调用。
 

环境库要求：tensorflow>2.4.0即可运行

1.数据集介绍（凯斯西楚大学数据集，包含四种负载数据集）

以0hp为例进行展示，每种负载下包含10种类型（三种不同尺寸下的内圈/外圈/滚动体故障（3*3=9种），正常） 

2.网络结构

3.效果图

每种负载下训练集、验证集与测试集个数均如下所示

0HP数据集

训练集准确率曲线

验证集准确率曲线

测试集准确率

验证集的混淆矩阵

验证集的特征可视化

测试集的混淆矩阵

测试集的特征可视化

1HP数据集

训练集准确率曲线

验证集准确率曲线

测试集准确率

验证集的混淆矩阵

验证集的特征可视化

测试集的混淆矩阵

测试集的特征可视化

2HP数据集

训练集准确率曲线

验证集准确率曲线

测试集准确率

验证集的混淆矩阵

验证集的特征可视化

测试集的混淆矩阵

测试集的特征可视化

3HP数据集

训练集准确率曲线

验证集准确率曲线

测试集准确率

验证集的混淆矩阵

验证集的特征可视化

测试集的混淆矩阵

测试集的特征可视化

对项目感兴趣的，可以关注最后一行

from keras.layers import Conv1D, Dense, Dropout, BatchNormalization, MaxPooling1D, Activation, Flatten,GRU
from keras.models import Sequential
from keras.utils import plot_model
from keras.regularizers import l2
import preprocess
from keras.callbacks import TensorBoard
import numpy as np
#代码和数据集压缩包：https://mbd.pub/o/bread/mbd-ZJeXl5dt

深度学习的奋斗者
关注
  • 1
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
并行CNN-GRU故障诊断代码，Keras框架
12-03
将GRU与CNN的输出整合输出
【故障分析】轴承故障分析（时频图+功率谱）含Matlab源码.zip
03-05
智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码
探索WDCNN：用于故障诊断的深度学习框架
最新发布
gitblog_00025的博客
03-27 494
探索WDCNN：用于故障诊断的深度学习框架 项目地址:https://gitcode.com/AaronCosmos/wdcnn_bearning_fault_diagnosis 该项目名为"WDCNN_bearing_fault_diagnosis"，由AaronCosmos贡献在GitCode上，是一个基于深度学习的轴承故障诊断框架。它利用了先进的卷积神经网络（CNN）技术...
基于TF的LSTM实现文本分类，基于tensorflow实现：RNN->GRU训练和测试以及预测代码
09-28
# 说明 本文主要是基于tensorflow实现：RNN->GRU训练和测试以及预测代码 训练和测试函数是： run_rnn.py 预测函数是： predict_rnn.py # 说明 本文主要是基于tensorflow实现：RNN->GRU训练和测试以及预测代码 训练和测试函数是： run_rnn.py 预测函数是： predict_rnn.py # 说明 本文主要是基于tensorflow实现：RNN->GRU训练和测试以及预测代码 训练和测试函数是： run_rnn.py 预测函数是： predict_rnn.py # 说明 本文主要是基于tensorflow实现：RNN->GRU训练和测试以及预测代码 训练和测试函数是： run_rnn.py 预测函数是： predict_rnn.py # 说明 本文主要是基于tensorflow实现：RNN->GRU训练和测试以及预测代码 训练和测试函数是： run_rnn.py 预测函数是： predict_rnn.py # 说明 本文主要是基于tensorflow实现：RNN-
基于textcnn和bilstm(gru)进行BERT的蒸馏实验python源代码+使用说明+数据集
01-26
<项目介绍> 基于textcnn和bilstm(gru)进行BERT的蒸馏实验python源码+使用说明+数据集 - 不懂运行，下载完可以私聊问，可远程教学 该资源内项目源码是个人的毕设，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到96分，放心下载使用！ 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可用于毕设、课设、作业等。 下载后请首先打开README.md文件（如有），仅供学习参考, 切勿用于商业用途。 ---------------------------------------------------------------------------------------------------------------------------------------
IMS数据集5号轴承故障预警.rar
07-13
利用GRU\LSTM\RNN\SVR分别对退化指标预测
轴承故障诊断经典模型pytorch复现(一)——WDCNN
热门推荐
qq_23345187的博客
04-07 1万+
论文地址：《A New Deep Learning Model for Fault Diagnosis with Good Anti-Noise and Domain Adaptation Ability on Raw Vibration Signals》—张伟 我们要复现的论文是轴承故障诊断里比较经典的一个模型WDCNN，最近在看的很多论文都把WDCNN作为比较模型，但是只找到过tensorflow版本的源码且只有原始的WDCNN没有改进的WDCNN-AdaBN版本，而我自己又是用的pytorch，因此就
基于一维WDCNN的滚动轴承故障诊断（十分类，Python代码，TensorFlow框架，压缩包包含数据集和代码，解压缩后直接运行）
qq_40840797的博客
04-07 2793
main_0HP.py、main_1HP.py、main_2HP.py和main_3HP.py是故障诊断主程序，分别对应不同负载的数据，这四个程序只有数据调取路径这行代码不一样，其它部分都相同，只是担心新手不会修改数据路径，因此分成了四个脚本。preprocess.py是数据预处理程序，将原始数据变成一个个样本，被主程序调用。data文件夹装载的是凯斯西楚大学（CWRU）轴承数据集。运行环境库要求：TensorFlow>=2.4.0即可。以0HP文件夹为例，进行展示。
09-TensorFlow 基于WDCNN的轴承故障诊断
鸣鼓ming的博客
04-22 5954
1.数据集 数据是来自凯斯西储大学（CWRU）滚动轴承数据中心. 官方网站数据下载地址: https://csegroups.case.edu/bearingdatacenter/pages/download-data-file CWRU滚动轴承数据采集系统: CWRU轴承中心数据采集系统如上图所示。本试验的试验对象为图中的驱动端轴承，被诊断的轴承型号为深沟球轴承SKF6205，有故障的轴承由电火花加工制作而成，系统的采样频率为12kHz。被诊断的轴承一共有3种缺陷位置，分别是滚动体损伤，外圈损伤与内圈损
基于Pytorch的WDCNN模型实现
weixin_62029909的博客
03-03 833
基于Pytorch的WDCNN模型实现
基于深度学习的中文语音识别系统python程序源代码设计数据集声学模型和语言模型建模
01-04
基于深度学习的中文语音识别系统python程序源代码设计数据集声学模型和语言模型建模 该系统实现了基于深度框架的语音识别中的声学模型和语言模型建模，其中声学模型包括 CNN-CTC、GRU-CTC、CNN-RNN-CTC，语言模型包含 [transformer](https://jalammar.github.io/illustrated-transformer/)、[CBHG](https://github.com/crownpku/Somiao-Pinyin)，数据集包含 stc、primewords、Aishell、thchs30 四个数据集。 本项目现已训练一个迷你的语音识别系统，将项目下载到本地上，下载 [thchs 数据集](http://www.openslr.org/resources/18/data_thchs30.tgz)并解压至 data，运行 `test.py`，不出意外能够进行识别，结果如下： ``` the 0 th example. 文本结果： lv4 shi4 yang2 chun1 yan1 jing3 da4 kuai4 wen2zhang1
wdcnn_bearning_fault_diagnosis-master_python_轴承故障诊断_西储斯大学_WDCNN_
09-29
- main为wdcnn卷积神经网络主文件，运行它就可以得出结果- preprocess为预处理文件，主要实现制作数据集的功能- 日志文件保存在logs里面，通过启动tensorboard查看
基于WDCNN的轴承故障诊断（含tsne可视化）
10-10
基于WDCNN的轴承故障诊断（含tsne可视化）
基于 AdaBN 算法的 WDCNN 轴承故障诊断模型1
08-03
基于 AdaBN 算法的 WDCNN 轴承故障诊断模型1
工业故障检测-基于深度学习1DCNN轴承故障诊断源码-仿真数据集CWRU-一维CNN(新毕设项目).zip
04-21
工业故障检测-基于深度学习1DCNN轴承故障诊断源码_仿真数据集CWRU_一维CNN(新毕设项目).zip 【项目说明】 本项目为一维CNN用于工业故障检测 使用的数据集为仿真数据集为CWRU（凯西私储大学的公开轴承数据集） 代码含有详细注释，易读易懂！ 本项目为一维CNN用于工业故障检测 使用的数据集为仿真数据集为CWRU（凯西私储大学的公开轴承数据集） 代码含有详细注释，易读易懂！ 本项目为一维CNN用于工业故障检测 使用的数据集为仿真数据集为CWRU（凯西私储大学的公开轴承数据集） 代码含有详细注释，易读易懂！ 本项目为一维CNN用于工业故障检测 使用的数据集为仿真数据集为CWRU（凯西私储大学的公开轴承数据集） 代码含有详细注释，易读易懂！
MATLAB滚动轴承故障诊断程序:EMD(经验模态分解)+样本熵的特征提取方法
jwMfyGQse的博客
11-23 487
本文介绍了一种基于EMD和样本熵的轴承故障诊断方法，该方法通过分解信号成为不同的频率分量，利用样本熵值作为特征提取量，有效地实现了轴承故障的检测与诊断。通过对多组实验数据的分析，我们可以发现，不同的轴承故障状态，其imf分量的样本熵值都呈现出不同的趋势，这为轴承故障的早期诊断提供了重要的参考依据。该方法的基本思路是通过将轴承振动信号分解成多个本征模态函数(imf)来分析轴承运动状态，再使用样本熵作为特征提取量，将其作为特征向量进行轴承故障诊断分类。本文主要介绍基于EMD和样本熵特征提取的轴承故障诊断方法。
轴承数据频域信号的生成与效果测试
weixin_50642818的博客
10-14 847
从结果看，准确率出现了反转，原来的CNN_1D模型反而轻松超越了WDCNN，后者反而表现很差，主要是因为WDCNN针对的是时域调的参数，换成了频域数据，尤其是输入大小变化以后效果受影响最大，如果稍微调一调参数的话，相信效果也不会差多少。从图中可以看出，频域的数据确实比时域的要直观一些，而且长度从2048变成了1024，这是由傅里叶变换的对称特性决定的，同时傅里叶变换也消除了时序数据的时间特性，不过在故障分类问题中，时间信息应该是没那么重要的，毕竟我只需要判断某个样本的类型，而不是时间相关的长短期的特征。
经典模型WDCNN中的AdaBN pytorch复现
weixin_50642818的博客
08-21 2403
在测试的时候通过设置BN中的track_running_stats=False可以直接将BN里源域的均值方差替换为目标域的均值方差，实际效果其实是很明显的，提升了4.53%，但是这个是6次迁移学习准确率的均值，因此实际的准确率提升要更明显。另外，在我之前的测试中发现，只要模型中含有BN，使用AdaBN的方法均有较好的表现，其中一个shufflenet模型的准确率从96%提升到了98%，如果对性能更强的模型使用的话，99%也可能不是问题。如果模型中没有BN，我觉得也未必不能用，这种思路还是很有借鉴意义的。
用gru代码对美国凯斯西储大学轴承故障数据集进行故障诊断
05-31
以下是使用 PyTorch 实现 GRU 模型对美国凯斯西储大学轴承故障数据集进行故障诊断的示例代码： ```python import torch import torch.nn as nn import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler # 读取数据 data = pd.read_csv('K001_1_48k_0_12hp_B_C3_0.csv', header=None) data = data.values[:, 1] data = data.reshape(-1, 1) # 数据预处理 scaler = MinMaxScaler(feature_range=(-1, 1)) data_scaled = scaler.fit_transform(data) # 定义超参数 input_size = 50 hidden_size = 32 num_layers = 2 output_size = 1 learning_rate = 0.001 num_epochs = 100 # 创建训练数据集 X = [] y = [] for i in range(input_size, len(data_scaled)): X.append(data_scaled[i-input_size:i]) y.append(data_scaled[i]) X, y = np.array(X), np.array(y) # 划分训练集和测试集 train_size = int(len(data_scaled) * 0.8) X_train, X_test = X[:train_size], X[train_size:] y_train, y_test = y[:train_size], y[train_size:] # 创建数据加载器 train_data = torch.utils.data.TensorDataset(torch.from_numpy(X_train).float(), torch.from_numpy(y_train).float()) train_loader = torch.utils.data.DataLoader(train_data, batch_size=32, shuffle=True) # 定义 GRU 模型 class GRU(nn.Module): def __init__(self, input_size, hidden_size, num_layers, output_size): super(GRU, self).__init__() self.hidden_size = hidden_size self.num_layers = num_layers self.gru = nn.GRU(input_size, hidden_size, num_layers, batch_first=True) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x, h0): out, h = self.gru(x, h0) out = self.fc(out[:, -1, :]) return out, h model = GRU(input_size, hidden_size, num_layers, output_size) # 定义损失函数和优化器 criterion = nn.MSELoss() optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate) # 训练模型 for epoch in range(num_epochs): for i, (inputs, labels) in enumerate(train_loader): # 前向传播 outputs, _ = model(inputs, None) loss = criterion(outputs, labels) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() if (i+1) % 10 == 0: print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, i+1, len(train_loader), loss.item())) # 预测测试集 with torch.no_grad(): inputs = torch.from_numpy(X_test).float() outputs, _ = model(inputs, None) predicted = scaler.inverse_transform(outputs.numpy()) actual = scaler.inverse_transform(y_test) # 计算 R2 得分 from sklearn.metrics import r2_score print('R2 score:', r2_score(actual, predicted)) ``` 在上述代码中，我们首先读取了凯斯西储大学轴承故障数据集，并进行了数据预处理。然后，我们定义了超参数，包括输入大小、隐藏层大小、层数、输出大小、学习率和训练轮数。接着，我们创建了训练数据集和数据加载器，并定义了 GRU 模型、损失函数和优化器。在训练循环中，我们对每个 mini-batch 执行前向传播、损失计算、反向传播和优化。在预测测试集时，我们使用训练好的模型进行前向传播，并将预测结果反归一化。最后，我们计算模型在测试集上的 R2 得分。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

深度学习的奋斗者

你的鼓励是我努力的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值