一维卷积神经网络Tensorflow2 实现轴承故障诊断

最新推荐文章于 2024-06-28 14:33:34 发布

Robo-网络矿产提炼工

最新推荐文章于 2024-06-28 14:33:34 发布

阅读量2.1k

点赞数

分类专栏：风机关键部件以及轴承故障诊断文章标签： cnn tensorflow 深度学习

本博客为个人撰写，未经商业授权严禁转载！

本文链接：https://blog.csdn.net/u013537270/article/details/126436836

版权

风机关键部件以及轴承故障诊断专栏收录该内容

52 篇文章 107 订阅 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了使用Tensorflow2.3.1实现的一维卷积神经网络（CNN）在轴承故障诊断中的应用。文章重点讨论了模型构建，选择了tanh激活函数，并对损失曲线、卷积网络层进行可视化，尽管未揭示明显特征。同时，作者提到了混淆矩阵在评估模型性能中的作用，并引用了相关参考资料。

摘要由CSDN通过智能技术生成

1. 环境与数据

因为主要是学习下一维卷积神经网络用于时序信号与故障诊断这一个应用，所以就不在数据上下过多功夫。说明下环境
TensorFlow是2.3.1
数据用的这位大佬的[1]

2. 模型构建与训练

据说tanh激活函数效果好，就改用了这个

# 定义神经网络
def baseline_model():
    model = Sequential()
    model.add(Convolution1D(16, 128, strides=1, input_shape=(1024, 1), 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_initializ