网站建设对百度推广的影响,各大门户网站,中国做视频网站有哪些,前端网站开发心得体会1D CNN 处理一维信号具有显著优势#xff0c;已在很多领域得到初步应用#xff1a;
心电图监测#xff1a;将1DCNN应用于心脏病监测#xff0c;其方法是针对每一个心脏病人的#xff0c;即对于每个心律失常患者使用该患者特有的训练数据#xff0c;专门训练出一个紧凑的…1D CNN 处理一维信号具有显著优势已在很多领域得到初步应用
心电图监测将1DCNN应用于心脏病监测其方法是针对每一个心脏病人的即对于每个心律失常患者使用该患者特有的训练数据专门训练出一个紧凑的1DCNN对心脏跳动数据进行实时监测并分为起源于窦性模式的搏动、室上异位搏动、室性异位搏动、融合搏动和不可归类的节拍等5个心脏跳动状态。 建筑结构健康监测有学者将1DCNN应用于建筑结构健康监测通过在5m×6m的试验结构件上安装30个加速度计每个加速度计负责监测其所属区域结构的损失通过松动连接螺栓来模拟该基于1DCNN的损伤监测方法可以在大量的单损伤和双损伤情况下进行性能测试均取得了优异的监测效果有学者将1DCNN和无线传感网络相结合使其能够分析由三轴无线传感器测得的加速度信号这样做是为了确定损伤敏感特征更加明显的方向。针对实验室结构引入的多种损伤场景对改进的损伤检测技术进行了测试试验结果表明该方法能够从结构的环境振动响应中直接检测和定位损伤。
人体运动识别有学者采用1DCNN提取可穿戴设备信号中人体运动特征对人体不同的运动如骑车、打电话、吃早饭等进行准确识别有学者利用三轴加速度计采集的数据先经过巴特沃斯滤波器进行低通滤波然后直接输入1DCNN进行人体行为识别在11种人体活动的识别中平均准确率达到了98.7%。
语音识别有学者针对2DCNN不能很好地反映出语音信号的一维特性提出采用1DCNN进行车载语音识别对比试验结果表明1DCNN的识别准确率比2DCNN提高了10%—20%在噪声环境下的泛化性能也明显优于后者。
鉴于此提出一种基于1D-CNN的轴承故障诊断方法并进行了TSNE特征可视化运行环境为Python采用部分西储大学轴承数据集采用模块如下
import scipy.io # To use the .mat files
import seaborn as sns
import numpy as np
import pandas as pd
import os
import matplotlib.pyplot as plt
from tensorflow.keras.models import Sequential,Model
from tensorflow.keras.layers import Input,Dense, Dropout, Flatten
from tensorflow.keras.layers import Conv2D, MaxPooling2D,Conv1D,MaxPooling1D
from sklearn.metrics import confusion_matrix
from sklearn.manifold import TSNE
重要模块版本如下
tensorflow版本2.8.0
keras版本2.8.0
sklearn版本1.0.2
部分代码如下
#############################################################CWRU_Bearing_1D_CNN基于1D-CNN德轴承故障识别
import scipy.io
import seaborn as sns
import numpy as np
import pandas as pd
import os
import matplotlib.pyplot as plt
#加载轴承振动数据前处理生成的0hp_all_faults.csv文件
df pd.read_csv(0hp_all_faults.csv)from sklearn.preprocessing import LabelEncoder
from tensorflow.keras.utils import to_categoricalwin_len784 #窗口长度
stride300 #移动步长#设置训练数据X及标签Y
X[]
Y[]for k in df[fault].unique():df_temp_2 df[df[fault]k]for i in np.arange(0,len(df_temp_2)-(win_len),stride):temp df_temp_2.iloc[i:iwin_len,:-1].valuestemp temp.reshape((1,-1))X.append(temp)Y.append(df_temp_2.iloc[iwin_len,-1])Xnp.array(X)
XX.reshape((X.shape[0],-1,1))
#X np.repeat(X, 3, axis3) # To repeat into 3 chanel formatYnp.array(Y)
encoder LabelEncoder()
encoder.fit(Y)
encoded_Y encoder.transform(Y)
OHE_Y to_categorical(encoded_Y)X.shape
#训练集和测试集划分
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test train_test_split(X,OHE_Y,test_size0.3,shuffleTrue)from tensorflow.keras.models import Sequential,Model
from tensorflow.keras.layers import Input,Dense, Dropout, Flatten
from tensorflow.keras.layers import Conv2D, MaxPooling2D,Conv1D,MaxPooling1D#构建1D-CNN网络
no_classes len(df[fault].unique())cnn_model Sequential()
cnn_model.add(Conv1D(filters64, kernel_size100, activationrelu, input_shape(X.shape[1],X.shape[2])))
cnn_model.add(Conv1D(filters32, kernel_size50, activationrelu))cnn_model.add(MaxPooling1D(pool_size4))
cnn_model.add(Flatten())
cnn_model.add(Dense(100, activationrelu))cnn_model.add(Dense(no_classes, activationsoftmax))cnn_model.summary()cnn_model.compile(losscategorical_crossentropy, optimizeradam,metrics[accuracy])#开始训练网络
batch_size 300
epochs 10
history cnn_model.fit(X_train, y_train, batch_sizebatch_size,epochsepochs,verbose1,validation_data(X_test,y_test),shuffleTrue)#绘制混淆矩阵
def inv_Transform_result(y_pred): y_pred y_pred.argmax(axis1)y_pred encoder.inverse_transform(y_pred)return y_predy_predcnn_model.predict(X_test)Y_predinv_Transform_result(y_pred)
Y_test inv_Transform_result(y_test)from sklearn.metrics import confusion_matrixplt.figure(figsize(10,10))
cm confusion_matrix(Y_test, Y_pred,normalizetrue)
f sns.heatmap(cm, annotTrue,xticklabelsencoder.classes_,yticklabelsencoder.classes_)
plt.show()dummy_cnn Model(inputscnn_model.input,outputscnn_model.layers[5].output)
y_viz dummy_cnn.predict(X_train)# TSNE可视化
from sklearn.manifold import TSNEX_t_sne TSNE(n_components2, learning_rateauto,verbose1, perplexity40, n_iter300).fit_transform(y_viz)tSNEdf pd.DataFrame(data X_t_sne, columns [T-SNE component 1, T-SNE component 2])tSNEdf[Fault]inv_Transform_result(y_train)#绘制第一主成分和第二主成分
fig, ax plt.subplots(figsize(10,10))
sns.scatterplot(xtSNEdf[T-SNE component 1],ytSNEdf[T-SNE component 2],hueFault,datatSNEdf,legendfull,alpha0.3)
plt.show()
部分出图如下 完整代码Python环境下基于1D-CNN的轴承故障诊断及TSNE特征可视化
工学博士担任《Mechanical System and Signal Processing》审稿专家担任《中国电机工程学报》优秀审稿专家《控制与决策》《系统工程与电子技术》《电力系统保护与控制》《宇航学报》等EI期刊审稿专家。
擅长领域现代信号处理机器学习深度学习数字孪生时间序列分析设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。
