【AI】机器学习在工业故障诊断数据上的使用

最新推荐文章于 2024-04-13 00:00:00 发布

置顶

Sciengineer-Mike

最新推荐文章于 2024-04-13 00:00:00 发布

阅读量1.5k

点赞数

文章标签：人工智能 python

本文链接：https://blog.csdn.net/qq_43018832/article/details/127729408

版权

本文探讨了工业设备故障诊断的关键性，尤其是旋转机械设备。通过建立数据集并运用深度学习算法，如LDA、PCA、MLP、LSTM和CNN，提高设备故障分类的准确率。尽管当前技术存在不足，但深度学习有望改善这一状况，为故障诊断带来更精确的解决方案。

摘要由CSDN通过智能技术生成

摘要

故障诊断分类技术在工业上已经被广泛的使用，在工业设备维护起到了关键性作用，但是自动故障诊断分类技术目前还存在不足，要求精确地对设备机械进行自动诊断，准确地分析出设备故障产生的原因，从而确定故障发生的部位。针对工业上旋转机械设备的特殊性和复杂性，引入了深度学习算法来提高设备故障分类的准确率。首先对旋转机械设备建立数据集，通过深度学习算法对数据进行特征提取，由多个网络层迭代学习设备故障特征，最终优化深度学习算法模型输出不同设备故障类型，提高系统分类的准确率。本文还对故障诊断分类等技术进行总结与分析，然后重点分析了深度学习故障诊断技术在工业上机械旋转类的应用；最后提出了现有深度学习故障诊断分类技术研发方法的不足，希望深度学习领域在故障诊断技术有很好的发展。
本篇针对实际数据分别采用传统的机器学习与深度学习进行分类。设计的算法包括LDA,PCA,MLP,LSTM,CNN.希望能对大家带来帮助。

导入需要的包

import os
import numpy as np
import torch
from sklearn.decomposition import PCA
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA
from sklearn.preprocessing import StandardScaler,MinMaxScaler
from sklearn import svm
import matplotlib.pyplot as plt
from datetime import datetime

获取数据

def get_data():
    train_data1 = []
    test_data1 = []
    for i in range(22):
        fi = os.path.join("data/",("d0" if i < 10 else "d") + str(i) + "_te.dat")
        with open(fi,'r') as f:
            data = f.read()
        data = np.fromstring(data,dtype=np.float32,sep="   ")
        data = data.reshape(-1,52)
        data = data[160:]
        train_data1.append(data) # -train

    for i in range(0,22):
        fi = os.path.join("data/",("d0" if i < 10 else "d") + str(i) + ".dat")
        with open(fi,'r') as f:
            data = f.read()
        data = np.fromstring(data,dtype=np.float32,sep="   ")
        if fi == "data/d00.dat":
            data = data.reshape(-1,500).T
        else:
            data = data.reshape(-1,52)
        test_data1.append(data)  # -test
        
    return train_data1,test_data1

target,train_data1,test_data1 = [],[],[]
def train_test_get(dataset = target,train_data1=train_data1):
    seq_data = []
    seq_labels = []
    for i,t in enumerate(dataset):
        d = train_data1[t]
        data = []
        length = d.shape[0] - 2
        for j in range(3):
            data.append(d[j:j+length])
        data = np.hstack(data)
        seq_data.append(data)
        seq_labels.append(np.ones(data.shape[0],np.int64)*i)
    return np.vstack(seq_data),np.concatenate(seq_labels)

train_data1,test_data1 = get_data()# 1-_te.dat   2-.dat

target = [1,2,3,4,5,6,7,8,9]
train_data1,test_data1 = get_data()
train_data,train_labels = train_test_get(target,train_data1)
test_data,test_labels = train_test_get(target,test_data1)

print("训练数据train_data.shape:%s,train_labels.shape:%s" %(train_data.shape,train_labels.shape))
print("训练数据train_data.shape:{},train_labels.shape:{}" .format(train_data.shape,train_labels.shape))

在这里插入图片描述

LDA-线性判别方法

scaler = StandardScaler().fit(train_data)
train_data1 = scaler.transform(train_data)
test_data1 = scaler.transform(test_data)

model_lda = LDA(n_components=30).fit(train_data1,train_labels)
train_data1_ = model_lda.transform(train_data1)
test_data1_ = model_lda.transform(test_data1)

clf = svm.SVC(probability=True).fit(train_data1_,train_labels)
pred = clf.predict(test_data1_)
print("accuracy:{:0.3f}".format