1、背景知识：卷积神经网络
卷积神经网络作为深度学习的经典算法之一，凭借局部连接和权值共享的优点，有效地降低了传统神经网络的复杂度。卷积神经网络结构由输入层、卷积层、池化层、全连接层和输出层等构成。
图 卷积神经网络
卷积层采用多组卷积核与输入层进行卷积运算，从输入层的原始数据中提取出新的特征信息。
池化层通过缩小卷积层提取出的特征信息的大小，挖掘提取特征的深度信息，实现特征信息的降维。
全连接层在卷积网络中充当着“分类器”的作用，将全连接层全部神经元学到的目标对象特征，映射到目标对象的标记空间，实现分类的目的。
2.数据集：轴承数据集
数据集为通过ADAMS仿真，做了四种轴承故障数据集。四种故障类型为磨损、点蚀、断齿、正常，仿真数据为6000点的振动信号。
训练集：数据集为同一工况下采集的真实轴承振动数据。
测试集: 数据集为对应工况及结构数据，仿真出来的轴承仿真数据。
下图为仿真数据图和真实数据图。
图 轴承振动数据（左为仿真数据，右为真实数据）
注释：该数据的数据集幅值在仿真输出时进行了数据对齐。所以仿真数据和真实数据的幅值相互近似。
数据集数目：训练集为720组（每种故障数目为180组），测试集为180组（每种故障类型为45组）。
3、卷积神经网络构建
3.1 数据库加载
from tensorflow.keras.layers import Dense, Conv1D, BatchNormalization, MaxPooling1D, Activation, Flatten,Dropout
from tensorflow.keras.models import Sequential
import numpy as np
import tensorflow as tf
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
import scipy.io as scio
plt.rcParams['font.sans-serif'] = ['kaiti']
plt.rcParams['axes.unicode_minus'] = False
import pandas as pd3.2加载mat的轴承数据集
# 确保结果尽可能重现
from numpy.random import seed
seed(1)
tf.random.set_seed(1)
# 测试集验证集划分比例
# 加载mat数据集
dataFile = r'E:\matlab程序\data.mat'
data = scio.loadmat(dataFile)
#训练集
x_train = data['train_data']
y_train= data['train_label']
x_test =data['test_data']
y_test =data['test_label']
x_train, x_test = x_train[:,:,np.newaxis], x_test[:,:,np.newaxis]
y_train = np.array(y_train, dtype='float64')
y_test = np.array(y_test, dtype='float64')
print(x_train.shape)
print(x_test.shape)
print(y_train.shape)
print(y_test.shape)
3.3 模型构架及T-SNE可视化的代码
# 实例化序贯模型
model = Sequential()
# 搭建输入层，第一层卷积。
model.add(Conv1D(filters=32, kernel_size=16, strides=1, padding='same', input_shape=(6000,1)))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(MaxPooling1D(pool_size=2,strides=1,padding='valid'))
# 第二层卷积
model.add(Conv1D(filters=32, kernel_size=3, strides=1, padding='same'))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(MaxPooling1D(pool_size=2,strides=1, padding='valid'))
# 从卷积到全连接需要展平
model.add(Flatten())
# 添加全连接层
model.add(Dense(units=128))
model.add(Dense(units=64))
model.add(Dense(units=32))
model.add(Dense(units=16))
model.add(Dense(units=8))
# 增加输出层
model.add(Dense(units=4, activation='softmax'))
# 查看定义的模型
model.summary()
# 编译模型 评价函数和损失函数相似，不过评价函数的结果不会用于训练过程中
model.compile(optimizer='Adam', loss='categorical_crossentropy',
metrics=['acc'])
# 该模型的最优参数为：训练迭代次数10次，训练批次为16，同时规定了随机种子数.
# 开始模型训练
history=model.fit(x_train, y_train,
batch_size=4,
epochs=20,
verbose=1,
shuffle=True)
#测试集的x_test
predict= model.predict(x_test, batch_size=32, verbose=1,)
test_label = np.argmax(y_test,axis=-1) #将one-hot标签转为一维标签
predict_label = np.argmax(predict,axis=-1) #将one-hot标签转为一维标签
print(predict_label.shape)
print(test_label.shape)
#评估精确度
import numpy as np
predicitons = (test_label == predict_label)
acc1 = np.sum(predicitons == True) / len(predict_label)
print(acc1)
#混淆矩阵可视化
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix
def cm_plot(original_label, predict_label, pic=None):
cm = confusion_matrix(original_label, predict_label) # 由原标签和预测标签生成混淆矩阵
plt.matshow(cm,cmap=plt.cm.Blues) # 画混淆矩阵，配色风格使用cm.Blues
plt.colorbar() # 颜色标签
for x in range(len(cm)):
for y in range(len(cm)):
plt.annotate(cm[x, y], xy=(x, y), horizontalalignment='center', verticalalignment='center')
# annotate主要在图形中添加注释
# 第一个参数添加注释
# 第二个参数是注释的内容
# xy设置箭头尖的坐标
# horizontalalignment水平对齐
# verticalalignment垂直对齐
# 其余常用参数如下：
# xytext设置注释内容显示的起始位置
# arrowprops 用来设置箭头
# facecolor 设置箭头的颜色
# headlength 箭头的头的长度
# headwidth 箭头的宽度
# width 箭身的宽度
plt.ylabel('真实标签') # 坐标轴标签
plt.xlabel('预测标签') # 坐标轴标签
plt.title('混淆矩阵')
if pic is not None:
plt.savefig(str(pic) + '.jpg')
plt.show()
cm_plot(test_label,predict_label,pic=None)#
# # # 创建一个绘图窗口
plt.figure()
acc = history.history['acc']
loss = history.history['loss']
epochs = range(len(acc))
plt.plot(epochs, acc,'r*-', linewidth=2.5, alpha = 0.8, label='训练集准确率') # 'bo'为画蓝色圆点，不连线
plt.title('训练集准确率')
plt.legend() # 绘制图例，默认在右上角
plt.figure()
plt.plot(epochs, loss,'r*-',linewidth=2.5, alpha = 0.8, label='训练集损失率')
plt.title('训练集损失率')
plt.legend()
plt.show()
# # #输出训练历史数据 loss acc
print(loss)
print(acc)
pd.DataFrame(history.history).to_csv('training_log4.csv', index=False)
# # -------------------------------获取模型最后一层的数据--------------------------------
# # 获取model.add(layers.Flatten())数据
def create_truncated_model(trained_model):
model = Sequential()
# 搭建输入层，第一层卷积。
model.add(Conv1D(filters=32, kernel_size=16, strides=1, padding='same', input_shape=(6000, 1)))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(MaxPooling1D(pool_size=2, strides=1, padding='valid'))
# 第二层卷积
model.add(Conv1D(filters=32, kernel_size=3, strides=1, padding='same'))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(MaxPooling1D(pool_size=2, strides=1, padding='valid'))
# 从卷积到全连接需要展平
model.add(Flatten())
# 添加全连接层
model.add(Dense(units=128))
model.add(Dense(units=64))
model.add(Dense(units=32))
model.add(Dense(units=16))
model.add(Dense(units=8))
# 增加输出层
model.add(Dense(units=4, activation='softmax'))
for i, layer in enumerate(model.layers):
layer.set_weights(trained_model.layers[i].get_weights())
model.compile(optimizer='Adam',
loss='categorical_crossentropy',
metrics=['acc'])
return model
truncated_model = create_truncated_model(model)
hidden_features = truncated_model.predict(x_test)
print(hidden_features.shape)
color_map = y_test.argmax(axis=-1) #将one-hot标签转为一维标签
#-------------------------------tSNE降维分析--------------------------------
tsne = TSNE(n_components=2, init='pca',verbose = 1,random_state=0)
tsne_results = tsne.fit_transform(hidden_features)
print(tsne_results.shape)
marker1 = ["^", "o", "+", "*", ]
#-------------------------------可视化--------------------------------
for cl in range(4):# 总的类别
indices = np.where(color_map==cl)
indices = indices[0]
plt.scatter(tsne_results[indices,0], tsne_results[indices, 1],s=30, marker=marker1[cl], label=cl)
plt.legend(loc=1,bbox_to_anchor=(1, 1.03))
#plt.axis('off')
plt.show()
3.4 训练结果可视化
训练集的损失率和精确度
图 训练集的损失率和精确度
图 混淆矩阵
4、结果分析
注释：因为设置仿真时，仿真故障的磨损和点蚀的差异性设计的不太明显。该数据集对于磨损和点蚀的差异性就不明显。所以测试集中，第三种（磨损）和第四种（点蚀）故障类型的故障诊断效果不太明显。
其实是根本分不开，我也跟纠结。
失败原因：主要有两部分
1、我认为训练集应该采用更高质量的仿真数据，可以有效得避免真实数据中的不同噪声信号相互混淆干扰。但是真实数据是对真实故障的对应映射，包含了最真实的故障信息；仿真数据不具备该方面的优势，仿真可能无法一一映射完整的故障信号。
2、该CNN模型的抗噪能力不太行，我设计模型没有考虑到有效的抗噪措施，进一步对模型的抗噪能力进行提升，可能是对故障诊断效果有效得提升。
所以就不放T-SNE的聚类图啦！！！（聚类效果太辣鸡啦！）
文章出处登录后可见！
已经登录？立即刷新
