卷积神经网络轴承数故障分类

import os
os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘
import numpy as np
import tensorflow as tf

nSampleSize = 20000     # 总样本数
nSig_dim = 576          # 单个样本维度
nLab_dim = 4            # 类别维度

# 读取float型二进制数据（最后数据格式存放在元祖里）
def getdata（nSampSize=20000）:
    signal = np.fromfile（‘DLdata90singal.raw‘ dtype=np.float64）
    labels = np.fromfile（‘DLdata90labels.raw‘ dtype=np.float64）
    # print（signal）
    # print（labels）
    mat_sig = np.reshape（signal [-1 nSampSize]） #由于matlab 矩阵写入文件是按照【列】优先 需要按行读取
    mat_lab = np.reshape（labels [-1 nSampSize]）
    mat_sig = mat_sig.T # 转换成正常样式 【样本序号，样本维度】
    mat_lab = mat_lab.T
    return mat_sig mat_lab

#数据归一化处理，样本归一化到[-1 1]，逐条对每个样本进行自归一化处
def zscore（xx）:
    max1 = np.max（xx axis=1）    #按行或者每个样本，并求出单个样本的最大值
    max1 = np.reshape（max1 [-1 1]）  # 行向量 ->> 列向量
    min1 = np.min（xx axis=1）    #按行或者每个样本，并求出单个样本的最小值
    min1 = np.reshape（min1 [-1 1]）  # 行向量 ->> 列向量
    yy = （xx-min1）/（max1-min1）*2-1
    return yy

def NextBatch（iLen n_batchsize）:
    # iLen: 样本总数
    # n_batchsize: 批处理大小
    # 返回n_batchsize个随机样本（序号）
    ar = np.arange（iLen）    # 生成0到iLen-1，步长为1的序列
    np.random.shuffle（ar）   # 打断顺序
    return ar[0:n_batchsize]

def weight_variable（shape）:
    # 定义权重初始化
    initial = tf.truncated_normal（shape stddev=0.1）
    return tf.Variable（initial）

def bias_variable（shape）:
    # 定义偏置初始化
    initial = tf.constant（0.1 shape=shape）
    return tf.Variable（initial）

def conv2d（x W）:
    # 定义卷积层
    # x input tensor of shape ‘[batch in_height in_width in_channels]‘
    # W filter / kernel tensor of shape [filter_height filter_width in_channels out_channels]
    # ‘strides[0] = strides[3] = 1‘. strides[1]代表x方向的步长，strides[2]代表y方向的步长
    # padding: A ‘string‘ from: ‘“SAME“ “VALID“‘
    return tf.nn.conv2d（x W strides=[1 1 1 1] padding=‘SAME‘）

def max_pool_2x2（x）:
    # 池化层
    # stride [1 x_movement:2 y_movement:2 1]
    return tf.nn.max_pool（x ksize=[1 2 2 1] strides=[1 2 2 1] padding=‘SAME‘）

# 为NN定义placeholder
xs = tf.placeholder（tf.float32[NonenSig_dim]）
ys = tf.placeholder（tf.float32[NonenLab_dim]）
keep_prob = tf.placeholder（tf.float32）

x_image = tf.reshape（xs [-1 24 24 1]）

## conv1 layer ##
W_conv1 = weight_variable（[5 5 1 32]） # patch 5x5 in size 1 out size 32
b_conv1 = bias_vari