DTW-KNN 用于液压故障检测（python）-编程知识

DTW-KNN 用于液压故障检测（python）

1 介绍

本文提取特征，然后用于液压故障检测，每一条特征都是时间序列问题，所以使用了DTW-KNN模型，该模型的原来不做解释，大家可以自行查找。

2 数据集介绍

所有数据都在文件夹下，这是一个公开数据集，其中profile.txt是类别标签，我们只取其中的一列，而其他的是特征，我们只用PS这些文件。
在这里插入图片描述

3 数据处理

读取所有PS的文件，然后取平均值作为特征

dir_path = '液压data'def get_files(dir_path, filename):return pd.read_csv(os.path.join(dir_path, filename), sep='\t', header=None)PS1 = get_files(dir_path=dir_path, filename='PS1.txt')
PS2 = get_files(dir_path=dir_path, filename='PS2.txt')
PS3 = get_files(dir_path=dir_path, filename='PS3.txt')
PS4 = get_files(dir_path=dir_path, filename='PS4.txt')
PS5 = get_files(dir_path=dir_path, filename='PS5.txt')
PS6 = get_files(dir_path=dir_path, filename='PS6.txt')def mean_conversion(df):#df1 = pd.DataFrame()df1 = df.mean(axis = 1)return df1

读取profile做完标签

# 读取标签
profile = get_files(dir_path=dir_path, filename='profile.txt')
y = pd.DataFrame(profile.iloc[:, 3])
#

显示出每个特征，通过图像我们看到还是有些不同的，并且每个线都有波动的地方。
在这里插入图片描述

4 搭建多个模型

4.1 普通KNN模型

knn = KNeighborsClassifier(metric='euclidean')
knn.fit(X_train, y_train)
y_pred = knn.predict(X_test)
print(classification_report(y_test, y_pred, digits=3))

在这里插入图片描述

4.2 dtw-knn 模型

重新定义距离函数，详情见文档

dtw_knn = KNeighborsClassifier(metric=cal_dtw_distance)
# 重新定义距离函数，详情见Q 59520206
dtw_knn.fit(X_train, y_train)
y_pred = dtw_knn.predict(X_test)
print(classification_report(y_test, y_pred, digits=3))
pd.DataFrame(classification_report(y_test, y_pred, digits=3,output_dict=True)).transpose().to_csv('结果/DTW-KNN.csv', index=True)

通过结果看出来效果确实有点提升。
在这里插入图片描述

4.3 通过交叉验证，优化模型参数

# 创建GridSearchCV对象
param_grid = {'n_neighbors': [1,2,3,4,5,6,7]}grid_search = GridSearchCV(KNeighborsClassifier(metric=cal_dtw_distance), param_grid, cv=5, scoring='accuracy')# 在数据集上拟合GridSearchCV
grid_search.fit(X_train, y_train)# 获取交叉验证结果
means = grid_search.cv_results_['mean_test_score']
stds = grid_search.cv_results_['std_test_score']
params = grid_search.cv_results_['params']print("最好的参数K为：")
print(grid_search.best_params_)
print("精度为：")
print(grid_search.best_score_)