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
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：
3.本次项目介绍
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
数据集截止位置：
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
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）
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）
特征（训练集和测试集）形状
标签（训练集和测试集）形状
4.效果（测试集准确率100个epoch训练完为94.67%）
测试集混淆矩阵 （以百分比形式展示）
测试集混淆矩阵(以个数为展示)
对项目感兴趣的，可以关注最后一行
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_versionprint(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
