基于深度自编码网络实现轴承故障诊断（python代码，tensorflow框架）

效果视频：基于深度自编码网络实现轴承故障诊断（python代码，tensorflow框架）_哔哩哔哩_bilibili

环境库要求：tensorflow>=2.4.0即可

 1.网络模型(数据集为CWRU)，项目文件如下所示

以0HP文件夹为例，进行展示 

Inner、Normal、Outer和Roller文件夹是装载的原始数据集，data_processing.py是处理原始数据，生成样本（1024的长度） 和对应的标签，DAE.py是诊断程序。

代码实现了一个基于DAE的分类模型，用于对给定数据集进行分类。首先，通过DAE模型对原始数据进行特征提取和降维，然后使用分类模型将提取的特征与标签相匹配，以便对新数据进行分类。

代码的主要流程:

1. 导入所需的Python库，包括os、numpy、pandas、tensorflow等。
2. 加载数据和标签，将标签转换为one-hot编码形式。
3. 对数据集进行划分，分为训练集和测试集。
4. 搭建一个深度自编码神经网络（DAE）模型，用于特征提取和降维。
5. 训练DAE模型，以学习到压缩数据的表示，并将其用于后续的分类任务。
6. 获取DAE模型的编码器部分的输出，用于训练分类模型。
7. 搭建一个分类模型，用于对数据进行分类。
8. 训练分类模型，以学习如何将编码器输出与标签相对应，以便对新的数据进行分类。

2.效果（展示图中epoch为1000）,训练集与测试集比例是4:1

2.1.0HP训练集准确率曲线

.​​​​​​

2.2.0HP训练集损失曲线 

 

2.3.0HP测试集准确率曲线

2.4.0HP测试集损失曲线

测试集的混淆矩阵

 2.1HP 

1HP训练集准确率曲线 

1HP测试集准确率曲线 

1HP训练集损失曲线  

 

2HP

2HP训练集准确率曲线

2HP测试集准确率曲线 

 3HP

3HP训练集准确率曲线 

3HP测试集准确率曲线 

对项目感兴趣的，可以关注最后一行 

​
import os
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers, models, optimizers
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
from keras.utils import np_utils
from collections import Counter
#代码：https://mbd.pub/o/bread/ZJialJ5v

​