这篇文章是小萌新对西储大学轴承故障进行分析,固定特征为故障直径为0.007,电机转速为1797,12k驱动端故障数据(Drive_End)即DE-time。故障类型y值:滚动体故障,内圈故障,3时,6时,12时外圈故障。

  由于CWRU包无法在python3中直接用,因此首先改写了cwru的代码,直接进行数据处理并划分为训练集和测试集。接着对这些数据进行HHT转换,求出imfs,最后再构建LSTM模型进行分析。

import PyEMD
from PyEMD import *
import scipy
from scipy.io import loadmat
import matplotlib.pyplot as plt
from matplotlib import *
import os
import errno
import urllib.request as urllib
import numpy as np

from scipy.io import loadmat

import random

import pandas as pd

from keras.callbacks import ModelCheckpoint

from keras.models import Model, load_model, Sequential

from keras.layers import Dense, Activation, Dropout, Input, Masking, TimeDistributed, LSTM, Conv1D, Flatten

from keras.layers import GRU, Bidirectional, BatchNormalization, Reshape

from keras.optimizers import Adam    

from keras.utils import to_categorical

from keras.utils import plot_model

'''选取训练集和测试集数据
#选取故障直径为0.007,电机转速为1797,12k驱动端故障数据(Drive_End),
#y值分别为滚动体故障,内圈故障,3时,6时,12时外圈故障'''
## ===================================================选取数据===============================================================
#
class CWRU:

    def __init__(self, path1,length):
        file_list = []
        for root,dirs,files in os.walk(path1):
            for file in files:
                if '12k_Drive_End' in file and '007' in file and '_0_' in file:
                    file_list.append(file)

        self.length = length
        self._load_and_slice_data(path1, file_list)

        # shuffle training and test arrays

    def _load_and_slice_data(self, rdir, infos):
        self.X_train = np.zeros((0, self.length))
        self.X_test = np.zeros((0, self.length))
        self.y_train = []
        self.y_test = []
        for idx, info in enumerate(infos):
#            # directory of this file
            fdir = os.path.join(rdir, info)
            mat_dict = loadmat(fdir)      #载入数据
            fliter_i = filter(lambda x: 'DE_time' in x, mat_dict.keys())           #提取数据中的de-time部分
            fliter_list = [item for item in fliter_i]
            key = fliter_list[0]                                                 #这两步是取key值
#            key = filter(lambda x: 'DE_time' in x, mat_dict.keys())[0]
            time_series1 = mat_dict[key][:, 0]                    #将DE-time的时间序列取出来
            time_series = time_series1[:120001]
            idx_last = -(time_series.shape[0] % self.length)     #算出信号长度整数倍外还有那些数
            clips = time_series[:idx_last].reshape(-1, self.length)        # 将提取的时间序列转换成二维,每一个数据的长度为设置的长度

            n = clips.shape[0]                                               #行数,也就是代表数据量的大小
            n_split =int((3 * n / 4))                                      #设置训练集和测试集的比例
            self.X_train = np.vstack((self.X_train, clips[:n_split]))            #取训练集
            self.X_test = np.vstack((self.X_test, clips[n_split:]))             #取测试集
            self.y_train += [idx] * n_split                                    #给故障类型设立标签
            self.y_test += [idx] * (clips.shape[0] - n_split)                  #给测试的故障类型设立标签

path1 =   r"E:\work\CWRU_analysis\CaseWesternReserveUniversityData-master"  

data = CWRU(path1, 400)

X_train,y_train, X_test,y_test = [],[],[],[]

X_test.extend(data.X_test)

y_test.extend(data.y_test)

X_train.extend(data.X_train)

y_train.extend(data.y_train)    

''' ===============================================将data进行HHT,求出imf,这会转成三维的数据============================================================================
#对每个 数据去求imf,并作为输入'''
def data_to_imf(Data,t):
    imf = []
    for data in Data:
        emd = EMD()
        imf_ = emd.emd(data,t)[:5]
        imf.append(imf_)
    return np.array(imf).reshape(-1,5,400)

t = np.linspace(0, 1, 12000)[:400]

a = data_to_imf(X_train,t)

X_train_data = np.transpose(a,(0,2,1))

y_train_data = to_categorical(y_train)         #将数据转换成类别矩阵

b= data_to_imf(X_test,t)

X_test_data = np.transpose(b,(0,2,1))

y_test_data = to_categorical(y_test) 

'''
# =======================================构建LSTM模型并实验========================================================================================
# '''

def create_model():
    model = Sequential()
    #输入数据的shape为(n_samples, timestamps, features)
    #隐藏层设置为20, input_shape元组第二个参数1意指features为1
    model.add(LSTM(units=20,input_shape=(X_train_data.shape[1], X_train_data.shape[2])))
#    model.add(Dropout(0.2))
    #后接全连接层,直接输出单个值,故units为10

    model.add(Dense(units=5))
    model.add(Activation('softmax'))#选用非线性激活函数,用于分类
    model.compile(loss='categorical_crossentropy',optimizer=Adam(lr=0.001), metrics=['accuracy'])#损失函数为平均均方误差,优化器为Adam,学习率为0.001
    return model

model = create_model()
history =model.fit(X_train_data, y_train_data, epochs=1000, batch_size=225) 

#求损失函数
loss, acc = model.evaluate(X_test_data, y_test_data)

#保存模型
model_save_path = "model_file_path.h5"
model.save(model_save_path)
model.summary()

#输出准确率
print("Dev set accuracy = ", acc)

  本文有参考众多故障分析文章,但是忘了保存,没有链接了。。。。。。。。

基于LSTM对西储大学轴承故障进行分析的更多相关文章

  1. 基于SCADA数据驱动的风电机组部件故障预警

    吴亚联 1 , 梁坤鑫 1 , 苏永新 1* , 詹 俊 2(1.湘潭大学 信息工程学院, 湖南 湘潭 411105: 2.湖南优利泰克自动化系统有限公司, 湖南 长沙 410205) 摘 要: 为提 ...

  2. 【爆料】-《西悉尼大学毕业证书》UWS一模一样原件

    ☞西悉尼大学毕业证书[微/Q:865121257◆WeChat:CC6669834]UC毕业证书/联系人Alice[查看点击百度快照查看][留信网学历认证&博士&硕士&海归&a ...

  3. tensorflow实现基于LSTM的文本分类方法

    tensorflow实现基于LSTM的文本分类方法 作者:u010223750 引言 学习一段时间的tensor flow之后,想找个项目试试手,然后想起了之前在看Theano教程中的一个文本分类的实 ...

  4. 在TensorFlow中基于lstm构建分词系统笔记

    在TensorFlow中基于lstm构建分词系统笔记(一) https://www.jianshu.com/p/ccb805b9f014 前言 我打算基于lstm构建一个分词系统,通过这个例子来学习下 ...

  5. 基于LSTM + keras 的诗歌生成器

        最近在github 上发现了一个好玩的项目,一个基于LSTM + keras 实现的诗歌生成器,地址是:https://github.com/youyuge34/Poems_generator ...

  6. 深度学习|基于LSTM网络的黄金期货价格预测--转载

    深度学习|基于LSTM网络的黄金期货价格预测 前些天看到一位大佬的深度学习的推文,内容很适用于实战,争得原作者转载同意后,转发给大家.之后会介绍LSTM的理论知识. 我把code先放在我github上 ...

  7. 基于Spark和SparkSQL的NetFlow流量的初步分析——scala语言

    基于Spark和SparkSQL的NetFlow流量的初步分析--scala语言 标签: NetFlow Spark SparkSQL 本文主要是介绍如何使用Spark做一些简单的NetFlow数据的 ...

  8. 基于NetMQ的TLS框架NetMQ.Security的实现分析

    基于NetMQ的TLS框架NetMQ.Security的实现分析 前言 介绍 交互过程 支持的协议 TLS协议 支持的算法 实现 握手 第一次握手 Client Hello 第二次握手 Server ...

  9. 基于UML的中职班主任工作管理系统的分析与设计--文献随笔(二)

    一.基本信息 标题:基于UML的中职班主任工作管理系统的分析与设计 时间:2016 出版源:遵义航天工业学校 关键字:中职学校; 班主任工作管理; UML建模 二.研究背景 问题定义:班主任是一项特殊 ...

随机推荐

  1. 【JZOJ3319】雪地踪迹

    description 森林里有一片长方形的草地,在清晨的大雪过后被一层厚厚的积雪所掩盖(下图左). 住在森林里的兔子和狐狸,穿越草地,都会在雪地上留下他们的踪迹.他们总是从左上角进入,并从右下角离开 ...

  2. Zuul上传文件

    对于1M以内的文件上传,无需任何处理,大文件10M以上需要为上传路径添加/zuul前缀,也可使用zuul.servlet-path自定义前缀 如果Zuul使用了Ribbon做负载均衡,那么对于超大的文 ...

  3. 为WCF增加UDP绑定(储备篇)

    日前我开发的服装DRP需要用到即时通信方面的技术,比如当下级店铺开出零售单时上级机构能实时收到XX店铺XX时XX分卖出XX款衣服X件之类的信息,当然在上级发货时,店铺里也能收到已经发货的提醒.即时通信 ...

  4. 杂项-公司:Apple

    ylbtech-杂项-公司:Apple 苹果公司(Apple Inc. )是美国的一家高科技公司.由史蒂夫·乔布斯.斯蒂夫·沃兹尼亚克和罗·韦恩(Ron Wayne)等人于1976年4月1日创立,并命 ...

  5. springcloud 使用RabbitMq

    新建一个项目,三个module 分别为eureka-server,config-server,config-client, eureka-server 的pom.xml, <?xml versi ...

  6. Python学习之--数据基础

    对于Python来说,一切皆对象.包括数字.字符串.列表等,对象是由类来创建的,那对象的一个优点就是可以使用其创建类中所定义的各种方法. 查看对象/方法 1)可以在命令行中直接查看,如下: >& ...

  7. 联想 Z470个人安装黑苹果参考

    笔记本是联想 Z470,cpu i3-2350M 傻瓜图文式]Win系统下制作U盘CLOVER引导 EDIT部分 进去黑屏 U盘引导盘

  8. 官网下载eclipse

    百度搜索eclipse,点击官网链接进入官网 进入官网点击Download Packages 根据自己需要选择对应的版本 选择对应的版本进入下图下载页面,然后点击下载即可 下载完成,解压zip包即可使 ...

  9. 廖雪峰Java10加密与安全-3摘要算法-1MD5

    1.摘要算法 1.1 摘要算法(哈希算法/Hash/数字指纹): 计算任意长度数据的摘要(固定长度) 相同的输入数据始终得到相同的输出 不同的输入尽量得到不同的输出 1.2 摘要算法目的: 验证数据和 ...

  10. Django中间件初始化过程

    def load_middleware(self): """ Populate middleware lists from settings.MIDDLEWARE. Mu ...