首页下载资源网络技术基于深度学习的故障诊断入门示例,包括数据预处理、模型搭建、模型训练

ZIP基于深度学习的故障诊断入门示例,包括数据预处理、模型搭建、模型训练

2301_8048821445.1MB需要积分:1

资源文件列表:

22.zip 大约有69个文件
  1. 22/
  2. 22/1.基于卷积神经网络的故障诊断/
  3. 22/1.基于卷积神经网络的故障诊断/Readme.md 2.35KB
  4. 22/1.基于卷积神经网络的故障诊断/code/
  5. 22/1.基于卷积神经网络的故障诊断/code/1DCNN.py 7.66KB
  6. 22/1.基于卷积神经网络的故障诊断/code/2DCNN.py 7.73KB
  7. 22/1.基于卷积神经网络的故障诊断/code/preprocessing.py 3.62KB
  8. 22/1.基于卷积神经网络的故障诊断/data/
  9. 22/1.基于卷积神经网络的故障诊断/data/0HP/
  10. 22/1.基于卷积神经网络的故障诊断/data/0HP/12k_Drive_End_B007_0_118.mat 2.81MB
  11. 22/1.基于卷积神经网络的故障诊断/data/0HP/12k_Drive_End_B014_0_185.mat 2.79MB
  12. 22/1.基于卷积神经网络的故障诊断/data/0HP/12k_Drive_End_B021_0_222.mat 2.79MB
  13. 22/1.基于卷积神经网络的故障诊断/data/0HP/12k_Drive_End_IR007_0_105.mat 2.78MB
  14. 22/1.基于卷积神经网络的故障诊断/data/0HP/12k_Drive_End_IR014_0_169.mat 2.79MB
  15. 22/1.基于卷积神经网络的故障诊断/data/0HP/12k_Drive_End_IR021_0_209.mat 2.8MB
  16. 22/1.基于卷积神经网络的故障诊断/data/0HP/12k_Drive_End_OR007@6_0_130.mat 2.79MB
  17. 22/1.基于卷积神经网络的故障诊断/data/0HP/12k_Drive_End_OR014@6_0_197.mat 2.79MB
  18. 22/1.基于卷积神经网络的故障诊断/data/0HP/12k_Drive_End_OR021@6_0_234.mat 2.8MB
  19. 22/1.基于卷积神经网络的故障诊断/data/0HP/normal_0_97.mat 3.72MB
  20. 22/1.基于卷积神经网络的故障诊断/data/1HP/
  21. 22/1.基于卷积神经网络的故障诊断/data/1HP/12k_Drive_End_B007_1_119.mat 2.78MB
  22. 22/1.基于卷积神经网络的故障诊断/data/1HP/12k_Drive_End_B014_1_186.mat 2.8MB
  23. 22/1.基于卷积神经网络的故障诊断/data/1HP/12k_Drive_End_B021_1_223.mat 2.79MB
  24. 22/1.基于卷积神经网络的故障诊断/data/1HP/12k_Drive_End_IR007_1_106.mat 2.79MB
  25. 22/1.基于卷积神经网络的故障诊断/data/1HP/12k_Drive_End_IR014_1_170.mat 2.79MB
  26. 22/1.基于卷积神经网络的故障诊断/data/1HP/12k_Drive_End_IR021_1_210.mat 2.78MB
  27. 22/1.基于卷积神经网络的故障诊断/data/1HP/12k_Drive_End_OR007@6_1_131.mat 2.8MB
  28. 22/1.基于卷积神经网络的故障诊断/data/1HP/12k_Drive_End_OR014@6_1_198.mat 2.8MB
  29. 22/1.基于卷积神经网络的故障诊断/data/1HP/12k_Drive_End_OR021@6_1_235.mat 2.79MB
  30. 22/1.基于卷积神经网络的故障诊断/data/1HP/normal_1_98.mat 7.38MB
  31. 22/1.基于卷积神经网络的故障诊断/data/2HP/
  32. 22/1.基于卷积神经网络的故障诊断/data/2HP/12k_Drive_End_B007_2_120.mat 2.78MB
  33. 22/1.基于卷积神经网络的故障诊断/data/2HP/12k_Drive_End_B014_2_187.mat 2.79MB
  34. 22/1.基于卷积神经网络的故障诊断/data/2HP/12k_Drive_End_B021_2_224.mat 2.8MB
  35. 22/1.基于卷积神经网络的故障诊断/data/2HP/12k_Drive_End_IR007_2_107.mat 2.8MB
  36. 22/1.基于卷积神经网络的故障诊断/data/2HP/12k_Drive_End_IR014_2_171.mat 2.79MB
  37. 22/1.基于卷积神经网络的故障诊断/data/2HP/12k_Drive_End_IR021_2_211.mat 2.79MB
  38. 22/1.基于卷积神经网络的故障诊断/data/2HP/12k_Drive_End_OR007@6_2_132.mat 2.78MB
  39. 22/1.基于卷积神经网络的故障诊断/data/2HP/12k_Drive_End_OR014@6_2_199.mat 2.79MB
  40. 22/1.基于卷积神经网络的故障诊断/data/2HP/12k_Drive_End_OR021@6_2_236.mat 2.8MB
  41. 22/1.基于卷积神经网络的故障诊断/data/2HP/normal_2_99.mat 14.79MB
  42. 22/1.基于卷积神经网络的故障诊断/data/3HP/
  43. 22/1.基于卷积神经网络的故障诊断/data/3HP/12k_Drive_End_B007_3_121.mat 2.78MB
  44. 22/1.基于卷积神经网络的故障诊断/data/3HP/12k_Drive_End_B014_3_188.mat 2.8MB
  45. 22/1.基于卷积神经网络的故障诊断/data/3HP/12k_Drive_End_B021_3_225.mat 2.8MB
  46. 22/1.基于卷积神经网络的故障诊断/data/3HP/12k_Drive_End_IR007_3_108.mat 2.81MB
  47. 22/1.基于卷积神经网络的故障诊断/data/3HP/12k_Drive_End_IR014_3_172.mat 2.79MB
  48. 22/1.基于卷积神经网络的故障诊断/data/3HP/12k_Drive_End_IR021_3_212.mat 2.79MB
  49. 22/1.基于卷积神经网络的故障诊断/data/3HP/12k_Drive_End_OR007@6_3_133.mat 2.81MB
  50. 22/1.基于卷积神经网络的故障诊断/data/3HP/12k_Drive_End_OR014@6_3_200.mat 2.79MB
  51. 22/1.基于卷积神经网络的故障诊断/data/3HP/12k_Drive_End_OR021@6_3_237.mat 2.79MB
  52. 22/1.基于卷积神经网络的故障诊断/data/3HP/normal_3_100.mat 7.41MB
  53. 22/1.基于卷积神经网络的故障诊断/model/
  54. 22/1.基于卷积神经网络的故障诊断/model/1DCNN.h5 424.57KB
  55. 22/1.基于卷积神经网络的故障诊断/model/2DCNN.h5 232.06KB
  56. 22/1.基于卷积神经网络的故障诊断/save_picture/
  57. 22/1.基于卷积神经网络的故障诊断/save_picture/1DCNN/
  58. 22/1.基于卷积神经网络的故障诊断/save_picture/1DCNN/acc.png 30.55KB
  59. 22/1.基于卷积神经网络的故障诊断/save_picture/1DCNN/end_tsne.png 35.74KB
  60. 22/1.基于卷积神经网络的故障诊断/save_picture/1DCNN/loss.png 31.18KB
  61. 22/1.基于卷积神经网络的故障诊断/save_picture/1DCNN/start_tsne.png 192.54KB
  62. 22/1.基于卷积神经网络的故障诊断/save_picture/1DCNN/混淆矩阵.png 24.23KB
  63. 22/1.基于卷积神经网络的故障诊断/save_picture/2DCNN/
  64. 22/1.基于卷积神经网络的故障诊断/save_picture/2DCNN/acc.png 29.49KB
  65. 22/1.基于卷积神经网络的故障诊断/save_picture/2DCNN/end_tsne.png 32.43KB
  66. 22/1.基于卷积神经网络的故障诊断/save_picture/2DCNN/loss.png 29.29KB
  67. 22/1.基于卷积神经网络的故障诊断/save_picture/2DCNN/start_tsne.png 165.32KB
  68. 22/1.基于卷积神经网络的故障诊断/save_picture/2DCNN/混淆矩阵.png 24.21KB
  69. 22/readme.md 5.06KB

资源介绍:

基于卷积神经网络的故障诊断(1DCNN、2DCNN) 文件夹说明: data:数据集存放路径 save_picture/1DCNN:存放1DCNN的图片 save_picture/2DCNN:存放2DCNN的图片 model/1DCNN.h5: 保存的1DCNN模型文件 model/2DCNN.h5: 保存的2DCNN模型文件 code/1DCNN.py: 1DCNN代码运行文件 code/2DCNN.py: 2DCNN代码运行文件 code/preprocessing.py: 数据预处理文件 基于卷积与循环神经网络的故障诊断(1DCNN-LSTM、1DCNN-GRU、2DCNN-LSTM、2DCNN-GRU) 文件夹说明: data:数据集存放路径 save_picture/1DCNN_GRU:存放1DCNN_GRU的图片 save_picture/1DCNN_LSTM:存放1DCNN_LSTM的图片 save_picture/2DCNN_GRU:存放2DCNN_GRU的图片 save_picture/2DCNN_LSTM:存放2DCNN_LSTM的图片
## 基于深度学习的故障诊断 ### 第一章:安装以及环境配置 #### 1.Pycharm安装 ``` 官网: https://www.jetbrains.com/pycharm/ ``` #### 2.Anaconda安装与配置 ``` 官网:https://www.anaconda.com/download#downloads 配置环境变量(按照自己的安装路径进行配置即可) D:\software\anaconda\install D:\software\anaconda\install\Scripts D:\software\anaconda\install\Library\bin D:\software\anaconda\install\Library\mingw-w64\bin ``` #### 3.Tensorflow安装 ``` 官网:https://tensorflow.google.cn/?hl=zh-cn 创建深度学习环境并命名为tf2,指定python版本为3.11: conda create --name tf2 python=3.11 Anaconda激活tf2环境: conda activate tf2 Anaconda退出激活环境: conda deactivate 安装Tensorflow并指定版本为2.15,使用豆瓣源进行加速 pip install tensorflow==2.15.0 -i https://pypi.douban.com/simple/ 安装scikit-learn,使用豆瓣源进行加速 pip install scikit-learn -i https://pypi.douban.com/simple/ ``` ### 第二章:代码讲解与运行调试 #### 0.数据集说明 ``` 凯斯西楚大学轴承数据集官网: https://engineering.case.edu/bearingdatacenter/download-data-file 数据集说明(翻译于官网数据集说明): 收集了正常轴承、单点驱动端和风扇端缺陷的数据。驱动端轴承实验以12000个样本/秒和48000个样本/秒的速度采集数据。所有风机端轴承数据以12000个样本/秒的速度采集。 数据文件为Matlab格式。每个文件包含风扇和驱动端振动数据以及电机转速。对于所有文件,变量名中的以下项表示: 数据集包括: (1)正常基线数据 (2)12k驱动端轴承故障数据 (3)48k传动端轴承故障数据 (4)风机端轴承故障数据 实验数据集仅使用12k驱动端轴承故障数据,其余数据集预处理与实验数据预处理一致。 ``` #### 1.基于卷积神经网络的故障诊断(1DCNN、2DCNN) ``` 文件夹说明: data:数据集存放路径 save_picture/1DCNN:存放1DCNN的图片 save_picture/2DCNN:存放2DCNN的图片 model/1DCNN.h5: 保存的1DCNN模型文件 model/2DCNN.h5: 保存的2DCNN模型文件 code/1DCNN.py: 1DCNN代码运行文件 code/2DCNN.py: 2DCNN代码运行文件 code/preprocessing.py: 数据预处理文件 ``` #### 2.基于卷积与循环神经网络的故障诊断(1DCNN-LSTM、1DCNN-GRU、2DCNN-LSTM、2DCNN-GRU) ``` 文件夹说明: data:数据集存放路径 save_picture/1DCNN_GRU:存放1DCNN_GRU的图片 save_picture/1DCNN_LSTM:存放1DCNN_LSTM的图片 save_picture/2DCNN_GRU:存放2DCNN_GRU的图片 save_picture/2DCNN_LSTM:存放2DCNN_LSTM的图片 model/1DCNN_GRU.h5: 保存的1DCNN_GRU模型文件 model/1DCNN_LSTM.h5: 保存的1DCNN_LSTM模型文件 model/2DCNN_GRU.h5: 保存的2DCNN_GRU模型文件 model/2DCNN_LSTM.h5: 保存的2DCNN_LSTM模型文件 code/1DCNN_GRU.py: 1DCNN_GRU代码运行文件 code/1DCNN_LSTM.py: 1DCNN_LSTM代码运行文件 code/2DCNN_GRU.py: 2DCNN_GRU代码运行文件 code/2DCNN_LSTM.py: 2DCNN_LSTM代码运行文件 code/preprocessing.py: 数据预处理文件 ``` #### 3.基于卷积与连续小波变换的故障诊断(1DCNN-CWT、2DCNN-CWT) ``` 1.运行时注意事项:对于pywt库的安装,应使用: pip install PyWavelets -i https://pypi.douban.com/simple/ 2.首先在创建cwt_picture-train-valid-test文件夹,并运行sign_cwt文件,在train、valid、test文件夹生成相应的连续小波变换的图片后,再运行1DCNN_CWT/2DCNN_CWT进行分类实验 文件夹说明: data:数据集存放路径 cwt_picture/train: 存放训练集的连续小波图片 cwt_picture/test: 存放测试集的连续小波图片 cwt_picture/valid: 存放验证集的连续小波图片 save_picture/1DCNN_CWT:存放1DCNN_CWT的图片 save_picture/2DCNN_CWT:存放2DCNN_CWT的图片 model/1DCNN_CWT.h5: 保存的1DCNN_CWT模型文件 model/2DCNN_CWT.h5: 保存的2DCNN_CWT模型文件 code/1DCNN_CWT.py: 1DCNN_CWT代码运行文件 code/2DCNN_CWT.py: 2DCNN_CWT代码运行文件 code/gen_cwt_pic.py: 生成连续小波变换图片代码运行文件 code/read_picture.py: 读取连续小波图片代码运行文件 code/preprocessing.py: 数据预处理文件 ``` #### 4.基于特征融合的故障诊断(SIGN-FFT) ``` 文件夹说明: data:数据集存放路径 save_picture/1DCNN_SIGN_FFT:存放1DCNN_SIGN_FFT的图片 model/1DCNN_SIGN_FFT.h5: 保存的1DCNN_SIGN_FFT模型文件 code/1DCNN_SIGN_FFT.py: 1DCNN_SIGN_FFT代码运行文件 code/preprocessing.py: 数据预处理文件 ``` #### 5.基于抗噪方法的故障诊断(1DCNN、2DCNN-DRSN、1DCNN-SVD) ``` 文件夹说明: data:数据集存放路径 save_picture/1DCNN:存放1DCNN的图片 save_picture/1DCNN_SVD:存放1DCNN_SVD的图片 save_picture/2DCNN_DRSN:存放2DCNN_DRSN的图片 model/1DCNN.h5: 保存的1DCNN模型文件 model/1DCNN_SVD.h5: 保存的1DCNN_SVD模型文件 model/2DCNN_DRSN.h5: 保存的2DCNN_DRSN模型文件 code/1DCNN.py: 1DCNN代码运行文件 code/1DCNN_SVD.py: 1DCNN_SVD代码运行文件 code/2DCNN_DRSN.py: 2DCNN_DRSN代码运行文件 code/plot_svd.py: 因为可能需要图片,就可视化一条样本,用于样本分析 code/preprocessing.py: 数据预处理文件 ``` #### 6.基于迁移学习的故障诊断(模型) ``` 文件夹说明: data:数据集存放路径 save_picture/1DCNN_Transfer:存放1DCNN_Transfer迁移的图片 model/1DCNN_Transfer.h5: 保存的1DCNN_Transfer模型文件 code/1DCNN_Transfer.py: 1DCNN_Transfer代码运行文件 code/preprocessing.py: 数据预处理文件 ``` #### 7.基于通用模型代码的故障诊断(GRU、Inception、LSTM、RandomForest、SVM) ``` 文件夹说明: data:数据集存放路径 save_picture/GRU:存放GRU的图片 save_picture/Inception:存放Inception的图片 save_picture/LSTM:存放LSTM的图片 model/GRU.h5: 保存的GRU模型文件 model/Inception.h5: 保存的Inception模型文件 model/LSTM.h5: 保存的LSTM模型文件 code/preprocessing.py: 数据预处理文件 code/GRU.py: GRU代码运行文件 code/Inception.py: Inception代码运行文件 code/LSTM.py: LSTM代码运行文件 code/RandomForest.py: RandomForest代码运行文件 code/SVM.py: SVM代码运行文件 ```
100+评论
captcha