星期二, 08. 十月 2019 03:27下午
注：论文实现代码和论文.pdf都在git 账号下，欢迎交流讨论
论文题目：
- Learning to Monitor Machine Health with Convolutional Bi-Directional LSTM Networks
- Machine health monitoring using local feature-based gated recurrent unit networks
1.第一篇文章基本框架
fig_1.png
论文主要内容：通过论文提出的模型实现对故障的诊断（分类回归都可以实现）
论文的框架主要分为四个部分：
1、原始数据（可以是多个传感器数据）通过滑窗提取时频域特征，假设传感器数目为m，窗口数目为k，每个传感器提取的特征数目为n，则原始数据提过特征提取后的输入为[-1, k, m*n]，其中-1表示batch数目。
住：这一部分在框图和代码中没有体现，但是在论文中可以看出来。如果读者需要套用这个模型，需要自己实现这一部分的功能，如果在用原始数据输入（不经过特征提取）也可以取得很好效果，则这一部分可以省略
2、卷积部分实现空间特征提取，保留时间信息，代码如下:
@staticmethod
def cnn_layer(cnn_input=None, k=None, m=None, s=None, d=None):
cnn1 = tf.contrib.layers.conv2d(cnn_input,
num_outputs=k,
kernel_size=[m, d],
stride=[1, d],
padding='VALID', )
cnn1_pool = tf.nn.max_pool(cnn1,
ksize=[1, s, 1, 1],
strides=[1, s, 1, 1],
padding='SAME',
name='cnn1_max_pool')
cnn1_shape = cnn1_pool.get_shape()
cnn_out = tf.reshape(cnn1_pool, shape=[-1, cnn1_shape[1], cnn1_shape[-1]])
return cnn_out
可以参考图3结合代码的实现理解，注意理解卷积层池化层的kernel_size和ksize，其中d表示数据的长度，即m*n的值：
2.png
3、两层双向LSTM的堆叠，主要用于在cnn输出的基础上提取时间信息，代码如下：
@staticmethod
def bilstm_layer(bilstm_input=None, num_units=None):
# first bi-lstm cell
with tf.variable_scope('1st-bi-lstm-layer', reuse=tf.AUTO_REUSE):
cell_fw_1 = tf.nn.rnn_cell.LSTMCell(num_units=num_units[0], state_is_tuple=True)
cell_bw_1 = tf.nn.rnn_cell.LSTMCell(num_units=num_units[0], state_is_tuple=True)
outputs_1, states_1 = tf.nn.bidirectional_dynamic_rnn(cell_fw_1, cell_bw_1, inputs=bilstm_input,
dtype=tf.float32)
# second bi-lstm cell
with tf.variable_scope('2nd-bi-lstm-layer', reuse=tf.AUTO_REUSE):
# input_2 = tf.add(outputs_1[0], outputs_1[1])
input_2 = tf.concat([outputs_1[0], outputs_1[1]], axis=2)
cell_fw_2 = tf.nn.rnn_cell.LSTMCell(num_units=num_units[1], state_is_tuple=True)
cell_bw_2 = tf.nn.rnn_cell.LSTMCell(num_units=num_units[1], state_is_tuple=True)
outputs_2, states_2 = tf.nn.bidirectional_dynamic_rnn(cell_fw_2, cell_bw_2, inputs=input_2,
dtype=tf.float32)
# bilstm output
with tf.variable_scope('bi-lstm-layer-output', reuse=tf.AUTO_REUSE):
bilstm_out = tf.concat([states_2[0].h, states_2[1].h], axis=1)
return bilstm_out
可以参考图c结合代码的实现理解，注意理解两个双向lstm层的拼接（关于该部分的实现也是根据论文原文实现的，如果有问题还请讨论交流）：
3.png
4、全连接层实现最终结果输出，这一部分的实现相对简单，主要对上一层最后在timestep输出的隐层特征作为输入得到最终的结果，代码如下所示：
@staticmethod
def fc_layer(fc_input=None, num_units=None, keep_prob=None):
fc_input_ = tf.nn.dropout(fc_input, keep_prob=keep_prob)
fc1 = tf.layers.dense(fc_input_, num_units[0], activation=tf.nn.relu,
kernel_initializer=tf.glorot_uniform_initializer())
fc1_ = tf.nn.dropout(fc1, keep_prob=keep_prob)
fc_out = tf.layers.dense(fc1_, num_units[1], activation=tf.nn.relu,
kernel_initializer=tf.glorot_uniform_initializer())
# fc_out = tf.layers.dense(fc_out, 1, activation=None, use_bias=False,
# kernel_initializer=tf.glorot_normal_initializer())
return fc_out
所有代码实现请参考本人git.
2.第二篇文章基本框架
4.png
论文主要内容：通过论文提出的模型实现对故障的诊断（分类回归都可以实现）
论文的框架主要分为四个部分：
1、原始数据（可以是多个传感器数据）通过滑窗提取时频域特征，假设传感器数目为m，窗口数目为k，每个传感器提取的特征数目为n，则原始数据提过特征提取后的输入为[-1, k, m*n]，其中-1表示batch数目。（这与论文1中提到的是一样的，而且可以从下图中看出来），这一部分的内容同样需要读者自己实现。
2、双向GRU实现时间特征提取，这一部分也相对简单，代码如下：
@staticmethod
def bigru_layer(bilstm_input=None, num_units=None):
cell_fw = tf.nn.rnn_cell.GRUCell(num_units=num_units, name='fw')
cell_bw = tf.nn.rnn_cell.GRUCell(num_units=num_units, name='bw')
outputs, states = tf.nn.bidirectional_dynamic_rnn(cell_fw, cell_bw, inputs=bilstm_input, dtype=tf.float32)
bigru_out = tf.concat([states[0], states[1]], axis=1)
return bigru_out
3、权重平均化部分，这一部分主要通过fc实现，但是需要先对输入到gru的数据进行处理，参考原文公式和代码，由于原文公式较长，该部分只粘贴代码，其主要思想是实现不同窗口在同一个time step上做类似指数的平均，参考代码如下：
@staticmethod
def get_weight_average_layer(weight_average_input=None):
_arr_weight_average_input = np.array(weight_average_input)
_, T, _ = _arr_weight_average_input.shape
_arr = []
for ck in _arr_weight_average_input: # every batch
qk = np.array([np.exp(np.min([k - 1, T - k])) for k in range(1, T+1)])
sigma_qk = np.sum(qk, dtype=np.float32)
wk = np.array([qj * 1.0 / sigma_qk for qj in qk])
c = np.array([wk[k]*ck[k] for k in range(T)]).sum(axis=0)
_arr.append(c)
return np.array(_arr)
4、这一部分相对简单，就是将第2和第3部分的结果进行concat再通过一个fc学习，代码如下：
@staticmethod
def fc_layer_2(fc_input=None, num_units=None, keep_prob=None):
fc_input_ = tf.nn.dropout(fc_input, keep_prob=keep_prob)
fc_out = tf.layers.dense(fc_input_, num_units, activation=tf.nn.relu,
kernel_initializer=tf.glorot_uniform_initializer())
# fc_out = tf.nn.dropout(fc, keep_prob=keep_prob)
return fc_out
所有代码实现请参考本人git.
注：
- 代码中有任何问题欢迎与本人交流讨论；
- 代码需要支持tensorflow-gpu（>=1.10.0）才能运行；
- git 上有参考论文和部分用于实验的数据，读者可以运行main_test文件对模型进行检验；
- git 中data文件夹下的数据是一个回归问题，随着程序的运行mse会在100附近；
- 代码中所有参数的表示都在类中注明了。