西储大学轴承数据一维时序方法基础测试

这篇文章主要是为了说明一个基本结论：

在单一工况下的故障分类准确率已经难以区分好的模型和方法，利用不同工况之间的直接预测，而后取均值是一种思路。

0.数据集处理方式

数据集处理方式具体见我之前的文章，这里基本的的信息就是取2048个点进行作为样本大小，样本通过滑动时间窗取值获得，步长为128，训练集、验证集、测试集的比例为7:1.5:1.5。标签处理为one-hot模式，如果用SVM就不需要了。

滑窗取值这里默认使用，后续我会单独比较和非滑窗的区别，还有一种是训练集和验证集和滑窗、测试集不滑窗取值，或者还可以只有训练集滑窗，所以还是很麻烦的，需要单独进行一次。

dataDE_A = case10.data_DE_win(650, 'A', steps=128)
dataDE_B = case10.data_DE_win(650, 'B', steps=128)
dataDE_C = case10.data_DE_win(650, 'C', steps=128)

数据用的还是DE端的，A、B、C对应0/1/2三种转速工况。

1.单工况下的测试结果

单工况下主要比较SVM、普通CNN和WDCNN的差别，三种模型代码如下：

svm.SVC(C=0.9, kernel='rbf')


def CNN_1D():
    inputs1 = Input(shape=(2048, 1))
    conv1 = Conv1D(filters=16, kernel_size=6, strides=2)(inputs1)
    BN1 = BatchNormalization()(conv1)
    act1 = Activation('relu')(BN1)
    pool1 = MaxPooling1D(pool_size=2, strides=2)(act1)
    conv4 = Conv1D(filters=24, kernel_size=3, padding='same')(pool1)
    BN2 = BatchNormalization()(conv4)
    act2 = Activation('relu')(BN2)
    pool2 = MaxPooling1D(pool_size=2, strides=2)(act2)
    conv6 = Conv1D(filters=36, kernel_size=3, padding='same',
                   activation='relu')(pool2)
    BN3 = BatchNormalization()(conv6)
    act3 = Activation('relu')(BN3)
    pool3 = MaxPooling1D(pool_size=2, strides=2)(act3)
    flat1 = Flatten()(pool3)
    dense1 = Dense(100)(flat1)
    BN4 = BatchNormalization()(dense1)
    outputs = Dense(10, activation='softmax')(BN4)
    model = Model(inputs=inputs1, outputs=outputs)
    return model

def WDCNN():
    inputs1 = Input(shape=(2048, 1))
    x = Conv1D(filters=16, kernel_size=64,strides=16,padding='same')(inputs1)
    x = BatchNormalization()(x)
    x = Activation('relu')(x)
    x = MaxPooling1D(pool_size=2, strides=2)(x)

    x = Conv1D(filters=32, kernel_size=3, strides=1, padding='same')(x)
    x = BatchNormalization()(x)
    x = Activation('relu')(x)
    x = MaxPooling1D(pool_size=2, strides=2, padding='valid')(x)

    x = Conv1D(filters=64, kernel_size=3, strides=1, padding='same')(x)
    x = BatchNormalization()(x)
    x = Activation('relu')(x)
    x = MaxPooling1D(pool_size=2, strides=2)(x)

    x = Conv1D(filters=64, kernel_size=3, strides=1, padding='same')(x)
    x = BatchNormalization()(x)
    x = Activation('relu')(x)
    x = MaxPooling1D(pool_size=2, strides=2)(x)

    x = Conv1D(filters=64, kernel_size=3, strides=1, padding='valid')(x)
    x = BatchNormalization()(x)
    x = Activation('relu')(x)
    x = MaxPooling1D(pool_size=2, strides=2)(x)


    x = Flatten()(x)
    x = Dense(100)(x)
    x = BatchNormalization()(x)
    x = Activation('relu')(x)
    outputs = Dense(10, activation='softmax')(x)
    model = Model(inputs=inputs1, outputs=outputs)
    return model

WDCNN作为一个经常被比较的模型大家应该还算熟悉，这个CNN_1D是我根据Alexnet稍加改动而成的，简单调了以下参数。在数据集A上运行，均进行5次取均值，结果如下：

SVM运行很快，结果大概在75%。

WDCNN很优秀，都是100%。

CNN_1D呢，也都是100%，耗时多一点点。可见，这里并没有分出高下。

2.多工况下的测试结果

这个方法就是比较常见的不同工况之间迁移测试，A-B就是指在A数据集上训练，然后直接用B工况的测试集得出结果，这比较考验模型的泛化能力，最后取均值进行比较。结果如何呢？

总用时：331.0sec 
 #1 训练平均用时： 31.8sec 
 #2 训练平均用时： 34.4sec 

A-B model1准确率: 99.77  model2准确率: 100.00 
A-C model1准确率: 82.73  model2准确率: 98.64 
B-A model1准确率: 91.19  model2准确率: 96.87 
B-C model1准确率: 90.57  model2准确率: 98.37 
C-A model1准确率: 80.00  model2准确率: 80.51 
C-B model1准确率: 83.19  model2准确率: 85.40 
CNN_1D Accuracy: 87.907% (+/-1.112)
WDCNN Accuracy: 93.300% (+/-1.489)

从结果上，大家能轻易看出差距。证明了我开头说的，单一工况的准确率是无法说明问题的，很多人的结果99%多一点，还各种比较，我觉得没啥意义，我这还100%呢。100%只是题目的上限，并不是模型能力的上限，在大家都能考满分的时候，我们是不是考虑换一套难一点的题呢？（最近我把多工况下的准确率我已经搞到99.2%了，感觉也已经没啥意思了）。

以上涉及代码大部分大家都可以在网上搜到，欢迎讨论。完整代码有偿，个人劳动成果，请大家见谅。点赞收藏关注者我可以送数据集处理代码和程序的运行代码~