容桂网站建设找顺的,做网站 模板,免费域名网站的,wordpress注册表文件夹1.运行效果#xff1a;刀具磨损状态识别#xff08;Python代码#xff0c;MSCNN_LSTM_Attention模型#xff0c;初期磨损、正常磨损和急剧磨损#xff09;_哔哩哔哩_bilibili
环境库#xff1a;
NumPy 版本: 1.19.4 Pandas 版本: 0.23.4 Matplotlib 版本: 2.2.3 Keras …1.运行效果刀具磨损状态识别Python代码MSCNN_LSTM_Attention模型初期磨损、正常磨损和急剧磨损_哔哩哔哩_bilibili
环境库
NumPy 版本: 1.19.4 Pandas 版本: 0.23.4 Matplotlib 版本: 2.2.3 Keras 版本: 2.4.0 TensorFlow 版本: 2.4.0 sklearn 版本: 0.19.2
如果库版本不一样 一般也可以运行这里展示我运行时候的库版本是为了防止你万一在你的电脑上面运行不了可以按照我的库版本进行安装并运行
2.数据集介绍
试验数据来源于美国纽约预测与健康管理学 会年高 速 数 控 机 床 刀 具 健 康 预 测 竞 赛的开放数据。数据集下载链接
链接https://pan.baidu.com/s/17GbX52SlPScsv0G7fDp5dQ
提取码4561实验条件如表格 所示 实验数据获取的形式是 试验在上述切削条件下重复进行 次全寿命周期试验。端面铣削材料为正方形 每次走刀端 面铣的长度为 且 每 次 走 刀 时 间 相 等 每次走刀后测量刀具的后刀面磨损量。试验监测数据有、 、 三向 铣削力信号 、 、 三向铣削振动信号以及声发射均方根值。 6次的数据集中 3次实验中有测量铣刀的磨损量其他3次没有测量作为比赛的测试集。
文件c1、c4、c6为训练数据文件c2、c3、c5为测试数据:第1列:X维力(N)
第2列:Y维力(N)
第3列:Z维力(N)
第4列:X维振动(g)
第5列:Y维振动(g)
第6列:Z维振动(g)
第7列:AE-RMS (V)刀具主轴转速为10400 RPM;进给速度1555 mm/min;切割Y深度(径向)为0.125 mm;
Z轴向切割深度为0.2 mm。数据以50khz /通道采集。系统测量的实验条件和实验方式如下所示 3.本次项目介绍 c1为数据集
version.py是查看你本地环境库的版本为了方便你运行代码写的脚本
MSCNN_LSTM_Attention.py是读取原始数据预处理磨损状态分类的主程序。
数据量较大因为本地电脑配置一般 所以只用了c1数据集进行实验只需要修改数据集路径也可以调用c2-c6数据集。
数据集一共有315个表格
数据集开始位置 数据集截止位置 参考知网论文《基于改进卷积门控循环神经网络的刀具磨损状态识别》一文中对初期磨损、正常磨损、急剧磨损的划分取1-54为初期磨损55-205为正常磨损、206-315为急剧磨损 数据预处理
采用的数据是每个表格的第四列数据即X维振动信号。如果想做数据融合即把Y维和Z维振动信号也用上可以私信定制 对原始数据归一化后采用10000的样本长度不重叠切割样本 这次为做平衡数据集下的实验每种状态取1000个样本。
实验部分
训练集与测试集的比例4:1
批量64
优化器Adam
学习率0.001
模型MSCNN_LSTM_Attention每个样本的形状原为10000,1但是为了让网络训练更快目前代码中变形为250,40两个输入形式在代码中都可以使用只要稍微改动一下即可 特征训练集和测试集形状 标签训练集和测试集形状 4.效果测试集准确率100个epoch训练完为94.67% 测试集混淆矩阵 以百分比形式展示 测试集混淆矩阵(以个数为展示) 对项目感兴趣的可以关注最后一行 import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import keras
import tensorflow as tf
from sklearn import __version__ as sklearn_version
from matplotlib import __version__ as matplotlib_versionprint(fNumPy 版本: {np.__version__})
print(fPandas 版本: {pd.__version__})
print(fMatplotlib 版本: {matplotlib_version})
print(fKeras 版本: {keras.__version__})
print(fTensorFlow 版本: {tf.__version__})
print(fsklearn 版本: {sklearn_version})
#数据集和代码压缩包https://mbd.pub/o/bread/ZZWblphr
