lstm轴承寿命预测

这篇具有很好参考价值的文章主要介绍了lstm轴承寿命预测。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1.读取数据集

import numpy as np
import torch
from torch import nn
import matplotlib.pyplot as plt
import pandas as pd
from torch.autograd import Variable

all_date = pd.read_csv(u"D:/故障诊断数据集/西交轴承数据/XJTU-SY_Bearing_Datasets/Data/XJTU-SY_Bearing_Datasets/35Hz12kN/Bearing1_1/all.csv")
all_date['RUL'] = np.arange(0, 1,1/len(all_date))
all_dateNd = all_date.values

2.搭建lstm网络

class LstmRNN(nn.Module):
    """
        Parameters:
        - input_size: feature size
        - hidden_size: number of hidden units
        - output_size: number of output
        - num_layers: layers of LSTM to stack
    """

    def __init__(self, input_size, hidden_size=1, output_size=4, num_layers=1):
        super().__init__()

        self.lstm = nn.LSTM(input_size, hidden_size, num_layers)  # utilize the LSTM model in torch.nn
        self.forwardCalculation = nn.Linear(hidden_size, output_size)

    def forward(self, _x):
        x, _ = self.lstm(_x)  # _x is input, size (seq_len, batch, input_size)
        s, b, h = x.shape  # x is output, size (seq_len, batch, hidden_size)
        x = x.view(s * b, h)
        x = self.forwardCalculation(x)
        x = x.view(s, b, -1)
        return x

3.数据处理和网络训练

if __name__ == '__main__':
    # create database
    data_len = len(all_dateNd)
    data_x = all_dateNd[:,0:2]    #二维输入
    data_y = all_dateNd[:,2]      #输出  

    dataset = np.zeros((data_len, 3))    #用一个dataset表示输入输出
    dataset[:, 0] = data_x[:,0]
    dataset[:, 1] = data_x[:,1]
    dataset[:, 2] = data_y
    dataset = dataset.astype('float32')

    # choose dataset for training and testing
    train_data_ratio = 0.1  # 数据量太大,仅使用10%做训练
    train_data_len = int(data_len * train_data_ratio)
    train_x = dataset[:train_data_len, 0:2]
    train_y = dataset[:train_data_len, 2]
    INPUT_FEATURES_NUM = 2            #输入是2维:水平和垂直振动信号
    OUTPUT_FEATURES_NUM = 1            #输出是一维:寿命

    # test_x = dataset[train_data_len:, 0:2]
    # test_y = dataset[train_data_len:, 2]

    # ----------------- train -------------------
    train_x_tensor = train_x.reshape(-1, 14, INPUT_FEATURES_NUM)  # 每14个做一个batch
    train_y_tensor = train_y.reshape(-1, 14, OUTPUT_FEATURES_NUM)  # set batch size to 14

    # transfer data to pytorch tensor
    train_x_tensor = torch.from_numpy(train_x_tensor)        #数组转tensor
    train_y_tensor = torch.from_numpy(train_y_tensor)
    train_x_tensor_GPU = train_x_tensor.cuda()               #用GPU训练
    train_y_tensor_GPU = train_y_tensor.cuda()

    DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")    #用GPU训练网络
    lstm_model = LstmRNN(INPUT_FEATURES_NUM, 16, output_size=OUTPUT_FEATURES_NUM, num_layers=1).to(DEVICE)  # 16 hidden units
    print('LSTM model:', lstm_model)
    print('model.parameters:', lstm_model.parameters)

    loss_function = nn.MSELoss()
    optimizer = torch.optim.Adam(lstm_model.parameters(), lr=0.01)

    max_epochs = 100000
    for epoch in range(max_epochs):
        output = lstm_model(train_x_tensor_GPU)
        loss = loss_function(output, train_y_tensor_GPU)

        loss.backward()
        optimizer.step()
        optimizer.zero_grad()
        if loss.item() < 1e-4:
            print('Epoch [{}/{}], Loss: {:.5f}'.format(epoch + 1, max_epochs, loss.item()))
            print("The loss value is reached")
            output = output.view(-1, OUTPUT_FEATURES_NUM).data.cpu().numpy()
            plt.plot(output, 'b')
            break
        elif (epoch + 1) % 100 == 0:
            print('Epoch: [{}/{}], Loss:{:.5f}'.format(epoch + 1, max_epochs, loss.item()))

    # prediction on training dataset
    predictive_y_for_training = lstm_model(train_x_tensor_GPU)
    predictive_y_for_training = predictive_y_for_training.view(-1, OUTPUT_FEATURES_NUM).data.cpu().numpy()

4.绘图文章来源地址https://www.toymoban.com/news/detail-645300.html

predictive_y_for_training = lstm_model(train_x_tensor_GPU)
predictive_y_for_training = predictive_y_for_training.view(-1, OUTPUT_FEATURES_NUM).data.cpu().numpy()   #tensor转numpy数组

plt.figure()
plt.plot(train_y, 'b')
plt.plot(output, 'y--')
plt.plot(predictive_y_for_training, 'y--')

plt.show()

到了这里,关于lstm轴承寿命预测的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 足球大数据预测胜平负、走地之人工智能算法现状与改进措施

    感谢华为云开发联盟收录我的两篇文章,有动力续写足球预测相关话题了。:) 续谈大数据之足球盘口赔率水位分析思路及其实现利器_sundayhost的博客-CSDN博客_足球大数据分析 这套查询和验证报表的意义在于:一是,很多人长期的实战中有了自己的分析条件组合,部分人认为

    2024年02月05日
    浏览(171)
  • 环境监测中的人工智能:提高数据质量与预测准确率的关键

    环境监测是现代社会中的一个重要领域,它涉及到对大气、水体、土壤、生物等环境因素的监测和分析,以支持政策制定、资源管理、环境保护等多方面的需求。随着大数据技术的发展,环境监测数据的规模和复杂性不断增加,这为环境监测提供了更多的信息和洞察力。然而

    2024年02月21日
    浏览(61)
  • 人工智能(pytorch)搭建模型17-pytorch搭建ReitnNet模型,加载数据进行模型训练与预测

    大家好,我是微学AI,今天给大家介绍一下人工智能(pytorch)搭建模型17-pytorch搭建ReitnNet模型,加载数据进行模型训练与预测,RetinaNet 是一种用于目标检测任务的深度学习模型,旨在解决目标检测中存在的困难样本和不平衡类别问题。它是基于单阶段检测器的一种改进方法,通

    2024年02月15日
    浏览(96)
  • 人工智能(Pytorch)搭建模型2-LSTM网络实现简单案例

     本文参加新星计划人工智能(Pytorch)赛道:https://bbs.csdn.net/topics/613989052  大家好,我是微学AI,今天给大家介绍一下人工智能(Pytorch)搭建模型2-LSTM网络实现简单案例。主要分类三个方面进行描述:Pytorch搭建神经网络的简单步骤、LSTM网络介绍、Pytorch搭建LSTM网络的代码实战 目录

    2024年02月03日
    浏览(66)
  • 《天池精准医疗大赛-人工智能辅助糖尿病遗传风险预测》模型复现和数据挖掘-论文_企业

    进入21世纪,生命科学特别是基因科技已经广泛而且深刻影响到每个人的健康生活,于此同时,科学家们借助基因科技史无前例的用一种全新的视角解读生命和探究疾病本质。人工智能(AI)能够处理分析海量医疗健康数据,通过认知分析获取洞察,服务于政府、健康医疗机构

    2023年04月09日
    浏览(62)
  • 使用人工智能和传感器技术,结合观测数据,实时获取自然界中变化的事件并进行分析预测。

    作者:禅与计算机程序设计艺术 随着全球数字化转型,物联网、智慧城市、智能农业、智能医疗等新兴产业正在改变世界,传感器网络已经成为连接各类传感器设备的基础设施。而人工智能也逐渐成为各行各业的基础性科技工具,在对环境的高速采集、实时的计算、及其规模

    2024年02月06日
    浏览(53)
  • [当人工智能遇上安全] 12.易学智能GPU搭建Keras环境实现LSTM恶意URL请求分类

    您或许知道,作者后续分享网络安全的文章会越来越少。但如果您想学习人工智能和安全结合的应用,您就有福利了,作者将重新打造一个《当人工智能遇上安全》系列博客,详细介绍人工智能与安全相关的论文、实践,并分享各种案例,涉及恶意代码检测、恶意请求识别、

    2024年03月17日
    浏览(62)
  • 交通流量预测:人工智能的关键应用

    交通流量预测是一项非常重要的应用领域,它有助于我们更有效地规划和管理交通系统,提高交通效率,降低交通滞留和环境污染。随着人工智能(AI)技术的快速发展,许多传统的交通流量预测方法已经不能满足当今的需求。因此,人工智能技术在交通流量预测领域的应用已经

    2024年04月29日
    浏览(49)
  • 人工智能预测模型:从基础到先进

    人工智能(Artificial Intelligence, AI)是一门研究如何让计算机模拟人类智能的学科。预测模型(Predictive Models)是人工智能中的一个重要分支,旨在根据历史数据预测未来事件。预测模型广泛应用于商业、金融、医疗、科学等领域,帮助决策者做出明智的决策。 在本文中,我们将从基

    2024年03月24日
    浏览(92)
  • PBA.常用人工智能预测分析算法

    相同的数据型态,利用不同的方法分析,就可以解决不同的课题。例如目前已相当纯熟的人脸识别技术,在国防应用可以进行安保工作;企业可做员工门禁系统;可结合性别、年龄辨识让卖场进行市调分析,或结合追踪技术进行人流分析等。 本篇接下来要针对深度学习方法的

    2024年02月03日
    浏览(46)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包