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分类，解压缩直接运行）-Toy模板网

这篇具有很好参考价值的文章主要介绍了刀具磨损状态识别（Python代码，MSCNN_LSTM_Attention模型，初期磨损、正常磨损和急剧磨损分类，解压缩直接运行）。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.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（ＰＨＭ）２０１０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

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分类，解压缩直接运行）,诊断领域创新代码,lstm,人工智能,rnn

实验数据获取的形式是：试验在上述切削条件下重复进行６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１０８ｍｍ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ｘ、ｙ、ｚ三向
铣削力信号，ｘ、ｙ、ｚ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：

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分类，解压缩直接运行）,诊断领域创新代码,lstm,人工智能,rnn

3.本次项目介绍

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分类，解压缩直接运行）,诊断领域创新代码,lstm,人工智能,rnn

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

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分类，解压缩直接运行）,诊断领域创新代码,lstm,人工智能,rnn

数据集截止位置：

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分类，解压缩直接运行）,诊断领域创新代码,lstm,人工智能,rnn

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

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分类，解压缩直接运行）,诊断领域创新代码,lstm,人工智能,rnn

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）

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分类，解压缩直接运行）,诊断领域创新代码,lstm,人工智能,rnn

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）

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分类，解压缩直接运行）,诊断领域创新代码,lstm,人工智能,rnn

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分类，解压缩直接运行）,诊断领域创新代码,lstm,人工智能,rnn 特征（训练集和测试集）形状

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分类，解压缩直接运行）,诊断领域创新代码,lstm,人工智能,rnn

标签（训练集和测试集）形状

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分类，解压缩直接运行）,诊断领域创新代码,lstm,人工智能,rnn

4.效果（测试集准确率100个epoch训练完为94.67%）

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分类，解压缩直接运行）,诊断领域创新代码,lstm,人工智能,rnn

测试集混淆矩阵（以百分比形式展示）

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分类，解压缩直接运行）,诊断领域创新代码,lstm,人工智能,rnn

测试集混淆矩阵(以个数为展示)

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分类，解压缩直接运行）,诊断领域创新代码,lstm,人工智能,rnn

对项目感兴趣的，可以关注最后一行文章来源地址https://www.toymoban.com/news/detail-738991.html


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_version

print(f"NumPy 版本: {np.__version__}")
print(f"Pandas 版本: {pd.__version__}")
print(f"Matplotlib 版本: {matplotlib_version}")
print(f"Keras 版本: {keras.__version__}")
print(f"TensorFlow 版本: {tf.__version__}")
print(f"sklearn  版本: {sklearn_version}")
#数据集和代码压缩包：https://mbd.pub/o/bread/ZZWblphr

到了这里，关于刀具磨损状态识别（Python代码，MSCNN_LSTM_Attention模型，初期磨损、正常磨损和急剧磨损分类，解压缩直接运行）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！