快捷導(dǎo)航

使用python實現(xiàn)CNN-GRU故障診斷的代碼示例

更新時間：2023年07月07日 09:29:19 作者：曉林愛學(xué)習(xí)

這篇文章主要給大家詳細介紹了如何使用python實現(xiàn)CNN-GRU故障診斷，文章中有詳細的代碼示例，具有一定的參考價值,需要的朋友可以參考下

要實現(xiàn)1DCNN-GRU進行故障診斷，您可以使用以下Python代碼作為參考：

首先，導(dǎo)入所需的庫：

import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import Conv1D, MaxPooling1D, GlobalAveragePooling1D, GRU, Dense
from tensorflow.keras.models import Sequential
from sklearn.metrics import classification_report, confusion_matrix
import matplotlib.pyplot as plt
import seaborn as sns

加載訓(xùn)練集和測試集的數(shù)據(jù)：

train_X = np.load('train_X.npy')  # 加載訓(xùn)練集特征數(shù)據(jù)
train_Y = np.load('train_Y.npy')  # 加載訓(xùn)練集標簽數(shù)據(jù)
test_X = np.load('test_X.npy')  # 加載測試集特征數(shù)據(jù)
test_Y = np.load('test_Y.npy')  # 加載測試集標簽數(shù)據(jù)

定義模型結(jié)構(gòu)：

model = Sequential()
model.add(Conv1D(64, 3, activation='relu', input_shape=train_X.shape[1:]))
model.add(MaxPooling1D(2))
model.add(Conv1D(128, 3, activation='relu'))
model.add(MaxPooling1D(2))
model.add(GRU(64, dropout=0.2, recurrent_dropout=0.2))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

訓(xùn)練模型：

繪制訓(xùn)練過程的準確率和損失曲線：

plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.title('Model Accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['Train', 'Test'], loc='upper left')
plt.show()
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('Model Loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['Train', 'Test'], loc='upper right')
plt.show()

在測試集上進行預(yù)測并計算準確率和混淆矩陣：

pred_Y = model.predict(test_X)
pred_Y = np.round(pred_Y).flatten()
accuracy = np.mean(pred_Y == test_Y)
print("Test Accuracy: {:.2f}%".format(accuracy * 100))
cm = confusion_matrix(test_Y, pred_Y)
sns.heatmap(cm, annot=True, fmt="d", cmap="Blues", xticklabels=['Normal', 'Fault'], yticklabels=['Normal', 'Fault'])
plt.title("Confusion Matrix")
plt.xlabel("Predicted Labels")
plt.ylabel("True Labels")
plt.show()

請確保您已經(jīng)準備好訓(xùn)練集和測試集的數(shù)據(jù)（train_X.npy、train_Y.npy、test_X.npy和test_Y.npy）。這只是一個簡單示例，您可能需要根據(jù)您的數(shù)據(jù)集的特點進行必要的調(diào)整，例如輸入信號的形狀、類別數(shù)量和標簽格式等。

希望對您有所幫助！如需更詳細或個性化的幫助，請?zhí)峁└嘞嚓P(guān)代碼和數(shù)據(jù)。

到此這篇關(guān)于使用python實現(xiàn)CNN-GRU故障診斷的文章就介紹到這了,更多相關(guān)python CNN-GRU故障診斷內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: