最近写的一些程序以及做的一个关于轴承故障诊断的程序
最近学习进度有些慢
而且马上假期
要去补习班
去赚下学期生活费
额。。。。
抓紧时间再多学习点
1.RNN递归神经网络Tensorflow实现程序
1 import os 2 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 3 import tensorflow as tf 4 from tensorflow.examples.tutorials.mnist import input_data 5 #载入数据集 6 mnist = input_data.read_data_sets("MNIST_data/",one_hot=True) 7 8 # 输入图片是28*28 9 n_inputs = 28 #输入一行，一行有28个数据10 max_time = 28 #一共28行11 lstm_size = 100 #隐层单元12 n_classes = 10 # 10个分类13 batch_size = 50 #每批次50个样本14 n_batch = mnist.train.num_examples // batch_size #计算一共有多少个批次15 16 #这里的none表示第一个维度可以是任意的长度17 x = tf.placeholder(tf.float32,[None,784])18 #正确的标签19 y = tf.placeholder(tf.float32,[None,10])20 21 #初始化权值22 weights = tf.Variable(tf.truncated_normal([lstm_size, n_classes], stddev=0.1))23 #初始化偏置值24 biases = tf.Variable(tf.constant(0.1, shape=[n_classes]))25 26 27 #定义RNN网络28 def RNN(X,weights,biases):29 # inputs=[batch_size, max_time, n_inputs]30 inputs = tf.reshape(X,[-1,max_time,n_inputs])31 #定义LSTM基本CELL32 lstm_cell = tf.contrib.rnn.core_rnn_cell.BasicLSTMCell(lstm_size)33 # final_state[0]是cell state34 # final_state[1]是hidden_state35 outputs,final_state = tf.nn.dynamic_rnn(lstm_cell,inputs,dtype=tf.float32)36 results = tf.nn.softmax(tf.matmul(final_state[1],weights) + biases)37 return results38 39 40 #计算RNN的返回结果41 prediction= RNN(x, weights, biases)
42 #损失函数43 cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction,labels=y))44 #使用AdamOptimizer进行优化45 train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)46 #结果存放在一个布尔型列表中47 correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置48 #求准确率49 accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#把correct_prediction变为float32类型50 #初始化51 init = tf.global_variables_initializer()52 53 with tf.Session() as sess:54 sess.run(init)55 for epoch in range(6):56 for batch in range(n_batch):57 batch_xs,batch_ys = mnist.train.next_batch(batch_size)58 sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})59 60 acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})61 print ("Iter " + str(epoch) + ", Testing Accuracy= " + str(acc))
View Code
2.关于Tensorboard的简单学习（以MNIST手写数据集程序为例）
1 import os 2 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 3 import tensorflow as tf 4 from tensorflow.examples.tutorials.mnist import input_data 5 #载入数据集 6 mnist = input_data.read_data_sets('MNIST_data', one_hot=True) 7 #每个批次的大小（即每次训练的图片数量） 8 batch_size = 100 9 #计算一共有多少个批次10 n_bitch = mnist.train.num_examples // batch_size11 #参数概要12 def variable_summaries(var):13 with tf.name_scope('summaries'):14 mean = tf.reduce_mean(var)15 tf.summary.scalar('mean', mean) #平均值16 with tf.name_scope('stddev'):17 stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))18 tf.summary.scalar('stddev', stddev) #标准差19 tf.summary.scalar('max', tf.reduce_max(var))20 tf.summary.scalar('min', tf.reduce_min(var))21 tf.summary.histogram('histogram', var)#直方图22 #定义一个命名空间23 with tf.name_scope('input'):24 #定义两个placeholder25 x = tf.placeholder(tf.float32, [None, 784], name='x_input')26 y = tf.placeholder(tf.float32, [None, 10], name='y_input')27 with tf.name_scope('layer'):28 #创建一个只有输入层（784个神经元）和输出层（10个神经元）的简单神经网络29 with tf.name_scope('weights'):30 Weights = tf.Variable(tf.zeros([784, 10]), name='w')31 variable_summaries(Weights)32 with tf.name_scope('biases'):33 Biases = tf.Variable(tf.zeros([10]), name='b')34 variable_summaries(Biases)35 with tf.name_scope('Wx_plus_B'):36 Wx_plus_B = tf.matmul(x, Weights) + Biases37 with tf.name_scope('softmax'):38 prediction = tf.nn.softmax(Wx_plus_B)39 #二次代价函数40 with tf.name_scope('loss'):41 loss = tf.reduce_mean(tf.square(y - prediction))42 tf.summary.scalar('loss', loss)43 #使用梯度下降法44 with tf.name_scope('train'):45 train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)46 #初始化变量47 init = tf.global_variables_initializer()48 #结果存放在一个布尔型列表中49 with tf.name_scope('accuracy'):50 with tf.name_scope('correct_prediction'):51 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1)) #argmax返回一维张量中最大的值所在的位置，标签值和预测值相同，返回为True52 #求准确率53 with tf.name_scope('correct_prediction'):54 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) #cast函数将correct_prediction的布尔型转换为浮点型，然后计算平均值即为准确率55 56 #合并所有的summary57 merged = tf.summary.merge_all()58 59 #定义会话60 with tf.Session() as sess:61 sess.run(init)62 writer = tf.summary.FileWriter('logs/', sess.graph)63 #将测试集循环训练50次64 for epoch in range(51):65 #将测试集中所有数据循环一次66 for batch in range(n_bitch):67 batch_xs, batch_ys = mnist.train.next_batch(batch_size) #取测试集中batch_size数量的图片及对应的标签值68 summary,_= sess.run([merged, train_step], feed_dict={x:batch_xs, y:batch_ys}) #将上一行代码取到的数据进行训练69 writer.add_summary(summary, epoch)70 acc = sess.run(accuracy, feed_dict={x:mnist.test.images, y:mnist.test.labels}) #准确率的计算71 print('Iter : ' + str(epoch) + ',Testing Accuracy = ' + str(acc))
View Code
3. CNN应用——简单的轴承故障诊断模型
3.1数据来源及介绍
轴承、轴、齿轮是旋转机械重要组成部分，为了验证深度学习在旋转装备故障分类识别的有效性，
选取凯斯西储大学轴承数据库(Case Western Reserve University, CWRU)为验证数据。
轴承通过电火花加工设置成四种尺寸的故障直径，分别为0.007、0.014、0.021、0.028英寸。
实验中使用加速度传感器采集振动信号，传感器分别被放置在电机驱动端与风扇端。
由于驱动端采集到的振动信号数据全面，并且收到其他部件和环境噪声的干扰较少，选取驱动端采集的振动信号作为实验数据。
实验数据包括4种轴承状态下采集到的振动信号，分别为正常状态（Normal，N）、滚珠故障状态（Ball Fault，BF）、外圈故障状态（Outer Race Fault，ORF）以及内圈故障状态（Inner Race Fault，IRF），
每种状态下采集到的信号又按照故障直径与负载的大小进行分类，其中故障直径分别为0.007、0.014、0.021、0.028英寸，负载大小从0Hp-3Hp（1Hp=746W），对应转速为1797rpm、1772rpm、1750rpm、1730rpm。
选取CWRU数据集中采样频率为12k Hz的各个状态的样本，通过深度学习建立故障诊断模型，对电机轴承的四种故障进行分类识别。
由于负载的不同，转速不恒定，但采集的转速都在1800rpm左右，采样频率为12kHz，转轴转一圈，约采集400（60/1800*12000 = 400）个数据点。
由于采用原始数据切分方式，通常取稍微大于一个周期的点数比较合适，为了便于多层CNN网络的输入，以24*24=576点作为输入长度。
3.2 Matlab数据处理程序
1 clear all; 2 clc; 3 load DataSet; 4 [iType, iCondition] = size(A); 5 iExtSize = 24*24; 6 iSampleRate = 12000; 7 iTime = 10; 8 iOverlap = floor(iExtSize * 0.9); 9 iUCover = iExtSize - iOverlap;10 iGetDataLen = iSampleRate*iTime + iExtSize;11 iLen2 = floor((iGetDataLen-iExtSize)/iUCover) + 1;12 iLen1 = floor(iLen2/100)*100;13 iGetDataLen = iLen1*iUCover + iExtSize;14 fExtSamp = zeros(iType, iGetDataLen);15 16 tmp = 0;17 for jCnt = 1: iType18 str1 = sprintf('%03d',A(jCnt,1));19 szValName = strcat('X', str1, '_DE_time');20 eval(strcat('tmp=',szValName,';'));21 fExtSamp(jCnt,:) = tmp(1:iGetDataLen);22 end23 iLen = iLen1;24 iSampSize = iLen * iType;25 fData = zeros(iSampSize, iExtSize);26 fLabel = zeros(iSampSize, 4);27 28 for iCnt = 1:1:iLen29 iInterval = (iCnt -1)*iUCover + (1:1:iExtSize);30 for jCnt =1:1:iType31 fData((iCnt - 1)*iType + jCnt,:) = fExtSamp(jCnt, iInterval);32 if (jCnt ==1)33 fLabel((iCnt - 1)*iType + jCnt,:) = [1 0 0 0];34 end35 if (jCnt >=2 && jCnt<=5)36 fLabel((iCnt - 1)*iType + jCnt,:) = [0 1 0 0];37 end38 if (jCnt >=6 && jCnt<=9)39 fLabel((iCnt - 1)*iType + jCnt,:) = [0 0 1 0];40 end41 if (jCnt >=10)42 fLabel((iCnt - 1)*iType + jCnt,:) = [0 0 0 1];43 end44 end45 end46 save('DL_Data90.mat','fData', 'fLabel');
View Code
3.3 CNN轴承故障诊断模型
1 import os 2 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 3 import numpy as np 4 import tensorflow as tf 5 from tensorflow.contrib import rnn 6 import matplotlib.pyplot as plt 7 8 nSampleSize = 20000 # 总样本数 9 nSig_dim = 576 # 单个样本维度 10 nLab_dim = 4 # 类别维度 11 12 learning_rate = 1e-3 13 batch_size = tf.placeholder(tf.int32, []) # 在训练和测试，用不同的 batch_size 14 input_size = 24 # 每个时刻的输入维数为 24 15 timestep_size = 24 # 时序长度为24 16 hidden_size = 128 # 每个隐含层的节点数 17 layer_num = 3 # LSTM layer 的层数 18 class_num = nLab_dim # 类别维数 19 20 def getdata(nSampSize=20000): 21 # 读取float型二进制数据 22 signal = np.fromfile('DLdata90singal.raw', dtype=np.float64) 23 labels = np.fromfile('DLdata90labels.raw', dtype=np.float64) 24 #由于matlab 矩阵写入文件是按照【列】优先, 需要按行读取 25 mat_sig = np.reshape(signal,[-1, nSampSize]) 26 mat_lab = np.reshape(labels,[-1, nSampSize]) 27 mat_sig = mat_sig.T # 转换成正常样式 【样本序号，样本维度】 28 mat_lab = mat_lab.T 29 return mat_sig, mat_lab 30 31 def zscore(xx): 32 # 样本归一化到【-1，1】，逐条对每个样本进行自归一化处理 33 max1 = np.max(xx,axis=1) #按行或者每个样本，并求出单个样本的最大值 34 max1 = np.reshape(max1,[-1,1]) # 行向量 ->> 列向量 35 min1 = np.min(xx,axis=1) #按行或者每个样本，并求出单个样本的最小值 36 min1 = np.reshape(min1,[-1,1]) # 行向量 ->> 列向量 37 xx = (xx-min1)/(max1-min1)*2-1 38 return xx 39 40 def NextBatch(iLen, n_batchsize): 41 # iLen: 样本总数 42 # n_batchsize: 批处理大小 43 # 返回n_batchsize个随机样本（序号） 44 ar = np.arange(iLen) # 生成0到iLen-1，步长为1的序列 45 np.random.shuffle(ar) # 打乱顺序 46 return ar[0:n_batchsize] 47 48 xs = tf.placeholder(tf.float32, [None, nSig_dim]) 49 ys = tf.placeholder(tf.float32, [None, class_num]) 50 keep_prob = tf.placeholder(tf.float32) 51 52 x_input = tf.reshape(xs, [-1, 24, 24]) 53 54 # 搭建LSTM 模型 55 def unit_LSTM(): 56 # 定义一层 LSTM_cell，只需要说明 hidden_size 57 lstm_cell = rnn.BasicLSTMCell(num_units=hidden_size, forget_bias=1.0, state_is_tuple=True) 58 #添加 dropout layer, 一般只设置 output_keep_prob 59 lstm_cell = rnn.DropoutWrapper(cell=lstm_cell, input_keep_prob=1.0, output_keep_prob=keep_prob) 60 return lstm_cell 61 62 #调用 MultiRNNCell 来实现多层 LSTM 63 mLSTM_cell = rnn.MultiRNNCell([unit_LSTM() for icnt in range(layer_num)], state_is_tuple=True) 64 65 #用全零来初始化state 66 init_state = mLSTM_cell.zero_state(batch_size, dtype=tf.float32) 67 outputs, state = tf.nn.dynamic_rnn(mLSTM_cell, inputs=x_input,initial_state=init_state, time_major=False) 68 h_state = outputs[:, -1, :] # 或者 h_state = state[-1][1] 69 70 #设置 loss function 和 优化器 71 W = tf.Variable(tf.truncated_normal([hidden_size, class_num], stddev=0.1), dtype=tf.float32) 72 bias = tf.Variable(tf.constant(0.1,shape=[class_num]), dtype=tf.float32) 73 y_pre = tf.nn.softmax(tf.matmul(h_state, W) + bias) 74 75 #损失和评估函数 76 cross_entropy = tf.reduce_mean(tf.reduce_sum(-ys*tf.log(y_pre),reduction_indices=[1])) 77 train_op = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy) 78 correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(ys,1)) 79 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 80 81 82 mydata = getdata() 83 iTrainSetSize = np.floor(nSampleSize*3/4).astype(int) # 训练样本个数 84 iIndex = np.arange(nSampleSize) # 按照顺序，然后划分训练样本、测试样本 85 train_index = iIndex[0:iTrainSetSize] 86 test_index = iIndex[iTrainSetSize:nSampleSize] 87 88 train_data = mydata[0][train_index] # 训练数据 89 train_y = mydata[1][train_index] # 训练标签 90 test_data = mydata[0][test_index] # 测试数据 91 test_y = mydata[1][test_index] # 测试标签 92 93 train_x = zscore(train_data) # 对训练数据进行归一化 94 test_x = zscore(test_data) # 对测试数据进行归一化 95 96 init = tf.global_variables_initializer() 97 98 with tf.Session() as sess: 99 sess.run(init)100 for icnt in range(1000):101 _batch_size = 100102 intervals = NextBatch(iTrainSetSize, _batch_size) # 每次从所有样本中随机取100个样本（序号）103 xx = train_x[intervals]104 yy = train_y[intervals]
105 if (icnt+1)%100 == 0:106 train_accuracy = sess.run(accuracy, feed_dict={107 xs:xx, ys: yy, keep_prob: 1.0, batch_size: _batch_size})108 print("step: " + "{0:4d}".format(icnt+1) + ", train acc:" + "{:.4f}".format(train_accuracy))109 sess.run(train_op, feed_dict={ xs:xx, ys: yy, keep_prob: 0.9, batch_size: _batch_size})110 bsize = test_x.shape[0]111 test_acc = sess.run(accuracy,feed_dict={xs:test_x, ys:test_y, keep_prob: 1.0, batch_size:bsize})112 print("test acc:" + "{:.4f}".format(test_acc))
View Code
#写在后面
新的一年了
感觉开始的一塌糊涂
不过这两天好像调整过来了
让自己成为一个有计划的人
坚持健身、坚持减肥、学习理财、学习穿搭、学BEC中级、学机器学习、学Java、学Python、学深度学习框架、准备实习、积极准备找工作！
坚持早点睡觉、坚持早点起床
坚持不拖延
坚持放下手机
坚持不去抱怨生活、不去抱怨别人
坚持！做一个自律、自信的小伙郭
忙碌起来
为最好的那个自己而不断努力
不要患得患失的去迷茫明天
而是在每一个今天，都活出最精彩的一天
羡慕那些活的精致的人
我也要好好加油才好！
随时随地看视频
