学习“基于深度学习的故障诊断”开源

已于 2022-11-23 18:44:44 修改
阅读量1.5k 收藏 18
点赞数 1
分类专栏： 深度学习 文章标签： cnn
于 2022-11-19 01:24:08 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_47104322/article/details/127924131
版权

博主秋雨行舟在csdn、b站都有开源，这里只做自己的学习记录用。
基于深度学习的轴承故障诊断，原文在这里，软件的下载、环境的配置up主给的非常详细了，所以这里只记录一些代码注释
一、CNN
注意：作者的代码是有一点点问题的，更改三条代码就可以正常运行了：
在这里插入图片描述在这里插入图片描述

1.pycharm的一些快捷键：这篇非常详细
单行注释：CTRL+/
多行注释：CTRL+SHIFT+/
2. str对path的处理
这两种都正确：

path = r'data/0HP' 
path = 'data//0HP'

当路径末尾为/时：

path = r'data/0HP' '/'

3.os.listdir(path)
4.os.path.join()用法
5.loadmat()解读
6.preprocessing.StandardScaler()
首先，调用preprocessing模块中StandardScaler()类的fit()函数，通过数组x_train（待处理的数组）构建标准化模型scaler。
然后，调用模型scaler的transform函数，就可以对x_train数组进行标准化啦。

scaler=preprocessing.StandardScaler().fit(x_train) 
scaler.transform(x_train)

7.Numpy 中 np.vstack() 和 np.hstack() 简单解析
8.Python中Numpy ndarray的使用详解
9.loadmat()解读
10.os.path.join的用法
os.path.join()用法

11.Python 文件读取的4种方式
12.PATH的详细用法
13.
这篇解释的很好，python中shape用法
14.python中reshape的用法
tensorflow卷积神经网络详解-函数详解

15.TSNE实现降维及可视化
TSNE数据降维

16.plt.scatter()函数用法
python colorbar详解

神经网络——最易懂最清晰的一篇文章
在这里插入图片描述

某篇已经复现的

河马小白
关注
  • 1
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
故障诊断模型-基于深度学习
02-23
故障诊断是指对于设备、系统或产品在运行中出现的异常状态，通过对异常状态的特征和原因进行分析，确定出故障原因的过程。随着人工智能和深度学习技术的发展，基于深度学习的故障诊断模型也越来越受到重视。 基于深度学习的故障诊断模型通常采用神经网络模型进行构建，其基本思想是通过训练模型，使其能够学习到故障特征和规律，并能够对新的故障状态进行诊断。下面介绍一些常用的深度学习模型： 1.卷积神经网络（CNN）：CNN 是一种适用于图像、视频等数据的深度学习模型，可以对故障状态进行图像化处理，通过卷积操作提取故障特征，并通过池化操作降低特征维度，最终通过全连接层输出故障诊断结果。
基于深度学习的滚动轴承故障检测方法研究
03-10
[深度应用]·DC竞赛轴承故障检测开源Baseline（基于Keras1D卷积 val_acc:0.99780） 轴承是在机械设备中具有广泛应用的关键部件之一。由于过载，疲劳，磨损，腐蚀等原因，轴承在机器操作过程中容易损坏。事实上，...
手把手教你：基于深度学习的滚动轴承故障诊断
大雾的小屋的博客
09-18 3万+
本文主要介绍如何使用python搭建：一个基于深度学习的滚动轴承故障诊断系统 项目中涉及使用了多种方法对比检测结果，包括： 传统机器学习方法：随机森林 深度学习方法：CNN 增加残差模块后的深度学习方法：ResNet 如各位童鞋需要更换训练数据，完全可以根据源码将图像和标注文件更换即可直接运行。
深度迁移学习助力轴承故障诊断 —— 开源项目推荐
最新发布
gitblog_00052的博客
06-20 300
???? 深度迁移学习助力轴承故障诊断 —— 开源项目推荐 项目地址:https://gitcode.com/Xiaohan-Chen/transfer-learning-fault-diagnosis-pytorch 在工业维护领域中，轴承的健康状况直接影响设备性能和安全性，因此其故障检测与诊断成为了亟待解决的关键问题。近年来，深度学习技术因其强大的模式识别能力而被广泛应用于这一领域，尤其在数据驱动的...
建模杂谈系列16-设备故障预测方法
yukai08008的博客
08-06 2856
1 说明 整体上未来的设备都是智能设备,所以应用数据进行故障诊断应该是比较靠谱的。 智能设备（intelligent device）是指任何一种具有计算处理能力的设备、器械或者机器。 功能完备的智能设备必须具备灵敏准确的感知功能、正确的思维与判断功能以及行之有效的执行功能。 假设：这里假设设备可以连接互联网，以一定频次（例如5秒/次）向服务器发送数据。（需要的话服务器也可以秒级的将数据返回设备）如果未来使用5G连接的化，这个时间周期最短可以缩短至数十毫秒一次交换（主要看数据处理的复杂度了）。 2 故障处
深度学习——day4 读论文（外）深度学习定位真实故障的有效性研究
想太多的学习日志
08-27 547
To understand the benefits of xxx in xxxfiled,this paper explores more about deep learning by studying the effectiveness of fault localizationusing deep learning for a set of real bugs reported in the widely used programs. 为了了解深度学习在定位真实故障方面的优势，本文通过研究深度学习对广
轴承故障诊断（一维时序信息结合二维图像实现故障诊断，python编程，十分类，每行代码都有详细中文注释，Tensorflow框架）
qq_40840797的博客
06-09 1682
2.数据集介绍（凯斯西楚大学数据集，实现对12k采集频率下四种负载的诊断，同时也实现对48k采集频率下数据的诊断）：十分类。3.效果（以1HP和48KHZ数据为例）：数据总体分为训练集，验证集（训练集中留出一部分当做验证集），测试集。0HP装载的是经sign_cwtimg.py生成的小波图像，已经划分好训练集和测试集。0HP_x_train_1D.npy:装0HP训练集的一维数据。Code.py_0HP.py是0HP数据集故障诊断代码。0HP_x_test_1D：装0HP测试集的一维数据。
基于深度学习的变压器故障诊断方法研究.pdf
08-19
本文提出了基于深度学习的变压器故障诊断方法，使用开源的Scikit-learn机器学习框架和TensorFlow深度学习框架构建了变压器故障诊断模型，并应用实践工程中的故障样本数据，对模型进行了训练和测试。实验结果表明，...
基于深度学习的滚动轴承故障诊断源码
05-19
基于深度学习的滚动轴承故障诊断源码正是这样一种应用，它结合了先进的机器学习算法与特定领域知识，为工业设备的健康监测提供了智能化解决方案。 首先，让我们深入了解深度学习。深度学习是机器学习的一个分支，...
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...
基于深度学习tensorflow的滚动轴承故障诊断方法.zip
05-06
在当前的【标题】"基于深度学习tensorflow的滚动轴承故障诊断方法.zip"中，我们可以了解到这是一个使用深度学习技术，特别是TensorFlow框架进行滚动轴承故障诊断的项目。在【描述】中，同样强调了该压缩包内容是围绕...
轴承故障诊断matlab代码.zip
05-05
Hilbert包络谱分析和Haar小波分析和数学形态学分析相对于时域无量纲参数分析、FFT分析方法，可以更好的观测出故障信号频率，分析故障类型。
基于深度学习的轴承故障诊断
秋雨行舟
05-24 6823
该专栏将较为详细的介绍如何利用深度学习进行故障诊断方面的学术研究，主要以轴承为例，包括深度学习常用框架Tensorflow的搭建以及使用，并会记录完整搭建过程，并以卷积神经网络与循环神经网络为例进行代码编写和实际运行，相信经过本次学习，你能够入门开始着手研究。 完成该专栏的学习，你将会收获以下知识： 1.Anaconda的安装以及使用，深度学习框架Tensorflow2的安装以及使用 2.学会如何利用卷积神经网络与循环神经网络进行轴承故障诊断-以凯斯西楚大学轴承数据集为例 3.学会一些常用调参技巧
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 3035
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。
AI Studio vLoong能源AI挑战赛——异常检测赛A榜第三名方案
weixin_43509698的博客
10-20 2085
异常检测赛
2024年最全微信公众号 接口测试平台 获取自定义菜单教程，2024年最新推荐给大家
2401_84141304的博客
05-08 991
线、讲解视频，并且后续会持续更新**
深度学习&故障诊断初学者 - 学习路线
热门推荐
m0_47410750的博客
04-27 4万+
针对初学者，一头雾水，不知如何学习，本文给出了一个学习路线 Python学习 - 打好编程基础 https://www.bilibili.com/video/BV1vA411b7Rn?spm_id_from=333.337.search-card.all.click B站免费课程 学到P49 建议时长 2周 深度学习理论 - 浅浅理解神经网络 https://www.bilibili.com/video/BV1FT4y1E74V?p=41 建议时长 2周...............
【DELM分类】基于鲸鱼算法改进深度学习极限学习机实现数据分类附matlab代码
qq_59747472的博客
11-18 43
在工业生产中，设备故障诊断是一个至关重要的环节。及时准确地诊断出设备的故障，可以有效地减少生产线停机时间，提高生产效率，降低维修成本。因此，基于深度学习的故障诊断技术备受关注。在这方面，极限学习机（Extreme Learning Machine, ELM）作为一种快速、高效的深度学习方法，已经在故障诊断领域取得了一定的成果。然而，传统的ELM在处理高维数据和复杂特征时存在一定的局限性，因此需要进一步改进。
故障诊断 | CNN卷积神经网络故障诊断（Matlab）
matlab_dingdang的博客
02-28 1490
随着工业 4.0 的到来，智能制造和自动化水平不断提高，设备故障诊断已成为工业生产中的关键技术之一。传统故障诊断方法主要依赖于专家经验和手工特征提取，存在主观性强、鲁棒性差等问题。近年来，深度学习技术在图像识别、自然语言处理等领域取得了突破性进展，为故障诊断提供了新的思路。卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，它通过卷积运算和池化操作提取图像中的特征，具有强大的特征学习能力和鲁棒性。
gan故障诊断pytorch
08-09
### 回答1： GAN（Generative Adversarial Network）故障诊断可以包括以下几个方面： 1. 检查数据集：GAN的训练需要大量的高质量数据，因此首先需要检查数据集是否正确。可以检查数据集的大小、分布、格式等。 2. 检查模型结构：GAN由生成器和判别器两个部分组成。因此，可以先检查模型结构是否正确，例如是否正确设置了输入和输出的维度、是否正确设置了网络层次、损失函数等。 3. 检查超参数：GAN的训练需要设置一些超参数，例如学习率、批次大小、迭代次数等。可以尝试调整这些超参数，看是否能够改善训练效果。 4. 检查损失函数：GAN使用的是对抗损失函数，常见的有交叉熵损失函数和均方误差损失函数。可以尝试使用不同的损失函数，看是否能够改善训练效果。 5. 检查梯度消失和梯度爆炸：GAN训练过程中，容易出现梯度消失和梯度爆炸的问题。可以尝试使用权重初始化、正则化等方法来解决这些问题。 6. 检查训练过程：在训练过程中，可以检查生成器和判别器的损失函数是否在逐渐收敛，是否存在震荡等问题。可以尝试调整学习率、迭代次数等参数来解决这些问题。 以上是GAN故障诊断的一些常见方法，可以根据具体情况进行选择。在实际应用中，需要根据具体数据集和模型结构进行针对性的调整和优化。在PyTorch中，可以使用TensorBoard等工具来可视化训练过程，帮助更好地理解模型训练效果。 ### 回答2： GAN（生成对抗网络）是一种强大的深度学习模型，用于生成以假乱真的数据。而PyTorch是一个广泛应用于深度学习的开源机器学习框架。在GAN故障诊断过程中，针对PyTorch的问题，我们可以考虑以下几个方面： 1. 硬件要求：首先要确保所使用的计算机硬件满足PyTorch的要求，例如支持CUDA的显卡、足够的内存等。如果硬件不满足要求，可能会导致训练过程中的错误或性能下降。 2. 安装和配置：在安装PyTorch之前，需要确保Python环境已正确设置并安装了必要的依赖项。可以通过官方文档或社区论坛获取关于PyTorch安装和配置的信息。如果安装时遇到问题，可以检查版本兼容性、网络连接问题或终端命令输入错误等。 3. 数据准备：GAN通常需要大量的训练数据。在使用PyTorch进行GAN故障诊断时，需要确保数据集的准备工作正确无误。这包括数据的预处理、数据分割和标签的准备等。数据准备不当可能导致训练过程中的错误或模型性能下降。 4. 网络架构和参数设置：GAN包括生成器和判别器两个网络，它们的网络架构和参数设置对于模型的训练和生成效果至关重要。在使用PyTorch进行GAN故障诊断时，需要仔细选择网络架构和调整参数，以便获得理想的效果。 5. 调试和模型优化：在训练过程中，可能会出现训练不收敛、生成结果不理想等问题。此时可以通过调试和模型优化来解决。可以尝试调整学习率、增加训练迭代次数、尝试不同的优化器或损失函数等方法来改善模型性能。 总之，针对GAN故障诊断中的PyTorch问题，我们需要注意硬件要求、安装和配置、数据准备、网络架构和参数设置以及调试和优化等方面，以便获得更好的故障诊断结果。 ### 回答3： 对于PyTorch的GAN（生成对抗网络）故障诊断，有几个常见的问题和解决方法。首先，可能会遇到的问题是生成器和判别器无法收敛。这可能是因为网络结构设计不合理，学习率设置过大或过小。此时可以尝试调整网络结构，增加或减少网络层或节点的数量，或调整学习率的数值。另外，也可以尝试增加训练迭代次数，以便模型有足够的时间学习。 其次，GAN训练过程中可能出现模式崩溃的问题，即生成器只能生成非常相似的样本。这可能是因为生成器和判别器之间的平衡不好，或者数据集中存在类别不平衡的情况。解决方法是调整损失函数或训练策略，例如使用更合适的损失函数（如Wasserstein距离），或使用采样方法来平衡数据集中的类别。 第三个可能的问题是模型产生不真实的样本，不符合训练数据的分布。这可能是因为模型复杂度不足，没有足够的能力来捕捉数据的细节。解决方案包括增加网络的层数或节点数，或增加训练迭代的次数，以便模型有更多的机会学习数据的特征。 最后，GAN训练过程中可能会出现梯度消失或梯度爆炸的问题。这可能是因为网络结构设计不合理，导致梯度无法传播或传播过快。解决方法包括使用合适的激活函数（如LeakyReLU），或使用权重初始化方法（如Xavier或He初始化）来避免梯度问题。 总之，在GAN故障诊断中，常见的问题包括收敛困难、模式崩溃、生成不真实样本和梯度问题。对于这些问题，可以通过调整网络结构、学习率、损失函数或训练迭代次数等方法来解决。
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

河马小白

你的鼓励将是我创作的最大动力

¥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