1、背景知识：卷积神经网络

卷积神经网络作为深度学习的经典算法之一，凭借局部连接和权值共享的优点，有效地降低了传统神经网络的复杂度。卷积神经网络结构由输入层、卷积层、池化层、全连接层和输出层等构成。

图 卷积神经网络

卷积层采用多组卷积核与输入层进行卷积运算，从输入层的原始数据中提取出新的特征信息。

池化层通过缩小卷积层提取出的特征信息的大小，挖掘提取特征的深度信息，实现特征信息的降维。

全连接层在卷积网络中充当着“分类器”的作用，将全连接层全部神经元学到的目标对象特征，映射到目标对象的标记空间，实现分类的目的。

2.数据集：轴承数据集

数据集为通过ADAMS仿真，做了四种轴承故障数据集。四种故障类型为磨损、点蚀、断齿、正常，仿真数据为6000点的振动信号。

训练集：数据集为同一工况下采集的真实轴承振动数据。

测试集: 数据集为对应工况及结构数据，仿真出来的轴承仿真数据。

下图为仿真数据图和真实数据图。

图 轴承振动数据（左为仿真数据，右为真实数据）

注释：该数据的数据集幅值在仿真输出时进行了数据对齐。所以仿真数据和真实数据的幅值相互近似。

数据集数目：训练集为720组（每种故障数目为180组），测试集为180组（每种故障类型为45组）。

3、卷积神经网络构建

3.1 数据库加载

from tensorflow.keras.layers import Dense, Conv1D, BatchNormalization, MaxPooling1D, Activation, Flatten,Dropoutfrom tensorflow.keras.models import Sequentialimport numpy as npimport tensorflow as tffrom sklearn.manifold import TSNEimport matplotlib.pyplot as pltimport scipy.io as scioplt.rcParams['font.sans-serif'] = ['kaiti']plt.rcParams['axes.unicode_minus'] = Falseimport pandas as pd

3.2加载mat的轴承数据集

# 确保结果尽可能重现from numpy.random import seedseed(1)tf.random.set_seed(1)# 测试集验证集划分比例# 加载mat数据集dataFile = r'E:\matlab程序\data.mat'data = scio.loadmat(dataFile)#训练集x_train = data['train_data']y_train= data['train_label']x_test =data['test_data']y_test =data['test_label']x_train, x_test = x_train[:,:,np.newaxis], x_test[:,:,np.newaxis]y_train = np.array(y_train, dtype='float64')y_test = np.array(y_test, dtype='float64')print(x_train.shape)print(x_test.shape)print(y_train.shape)print(y_test.shape)

3.3 模型构架及T-SNE可视化的代码

# 实例化序贯模型model = Sequential()# 搭建输入层，第一层卷积。model.add(Conv1D(filters=32, kernel_size=16, strides=1, padding='same', input_shape=(6000,1)))model.add(BatchNormalization())model.add(Activation('relu'))model.add(MaxPooling1D(pool_size=2,strides=1,padding='valid'))# 第二层卷积model.add(Conv1D(filters=32, kernel_size=3, strides=1, padding='same'))model.add(BatchNormalization())model.add(Activation('relu'))model.add(MaxPooling1D(pool_size=2,strides=1, padding='valid'))# 从卷积到全连接需要展平model.add(Flatten())# 添加全连接层model.add(Dense(units=128))model.add(Dense(units=64))model.add(Dense(units=32))model.add(Dense(units=16))model.add(Dense(units=8))# 增加输出层model.add(Dense(units=4, activation='softmax'))# 查看定义的模型model.summary()# 编译模型 评价函数和损失函数相似，不过评价函数的结果不会用于训练过程中model.compile(optimizer='Adam', loss='categorical_crossentropy',metrics=['acc'])# 该模型的最优参数为：训练迭代次数10次，训练批次为16，同时规定了随机种子数.# 开始模型训练history=model.fit(x_train, y_train,batch_size=4,epochs=20,verbose=1,shuffle=True) #测试集的x_testpredict= model.predict(x_test, batch_size=32, verbose=1,)test_label = np.argmax(y_test,axis=-1)#将one-hot标签转为一维标签predict_label = np.argmax(predict,axis=-1)#将one-hot标签转为一维标签print(predict_label.shape)print(test_label.shape)#评估精确度import numpy as nppredicitons = (test_label == predict_label)acc1 = np.sum(predicitons == True) / len(predict_label)print(acc1)#混淆矩阵可视化import matplotlib.pyplot as pltfrom sklearn.metrics import confusion_matrixdef cm_plot(original_label, predict_label, pic=None):cm = confusion_matrix(original_label, predict_label) # 由原标签和预测标签生成混淆矩阵plt.matshow(cm,cmap=plt.cm.Blues) # 画混淆矩阵，配色风格使用cm.Bluesplt.colorbar()# 颜色标签for x in range(len(cm)):for y in range(len(cm)):plt.annotate(cm[x, y], xy=(x, y), horizontalalignment='center', verticalalignment='center')# annotate主要在图形中添加注释# 第一个参数添加注释# 第二个参数是注释的内容# xy设置箭头尖的坐标# horizontalalignment水平对齐# verticalalignment垂直对齐# 其余常用参数如下：# xytext设置注释内容显示的起始位置# arrowprops 用来设置箭头# facecolor 设置箭头的颜色# headlength 箭头的头的长度# headwidth 箭头的宽度# width 箭身的宽度plt.ylabel('真实标签')# 坐标轴标签plt.xlabel('预测标签')# 坐标轴标签plt.title('混淆矩阵')if pic is not None:plt.savefig(str(pic) + '.jpg')plt.show()cm_plot(test_label,predict_label,pic=None)## # # 创建一个绘图窗口plt.figure()acc = history.history['acc']loss = history.history['loss']epochs = range(len(acc))plt.plot(epochs, acc,'r*-', linewidth=2.5, alpha = 0.8, label='训练集准确率')# 'bo'为画蓝色圆点，不连线plt.title('训练集准确率')plt.legend()# 绘制图例，默认在右上角plt.figure()plt.plot(epochs, loss,'r*-',linewidth=2.5, alpha = 0.8, label='训练集损失率')plt.title('训练集损失率')plt.legend()plt.show()# # #输出训练历史数据 loss accprint(loss)print(acc)pd.DataFrame(history.history).to_csv('training_log4.csv', index=False)# # -------------------------------获取模型最后一层的数据--------------------------------# # 获取model.add(layers.Flatten())数据def create_truncated_model(trained_model):model = Sequential()# 搭建输入层，第一层卷积。model.add(Conv1D(filters=32, kernel_size=16, strides=1, padding='same', input_shape=(6000, 1)))model.add(BatchNormalization())model.add(Activation('relu'))model.add(MaxPooling1D(pool_size=2, strides=1, padding='valid'))# 第二层卷积model.add(Conv1D(filters=32, kernel_size=3, strides=1, padding='same'))model.add(BatchNormalization())model.add(Activation('relu'))model.add(MaxPooling1D(pool_size=2, strides=1, padding='valid'))# 从卷积到全连接需要展平model.add(Flatten())# 添加全连接层model.add(Dense(units=128))model.add(Dense(units=64))model.add(Dense(units=32))model.add(Dense(units=16))model.add(Dense(units=8))# 增加输出层model.add(Dense(units=4, activation='softmax'))for i, layer in enumerate(model.layers):layer.set_weights(trained_model.layers[i].get_weights())model.compile(optimizer='Adam',loss='categorical_crossentropy',metrics=['acc'])return modeltruncated_model = create_truncated_model(model)hidden_features = truncated_model.predict(x_test)print(hidden_features.shape)color_map = y_test.argmax(axis=-1)#将one-hot标签转为一维标签#-------------------------------tSNE降维分析--------------------------------tsne = TSNE(n_components=2, init='pca',verbose = 1,random_state=0)tsne_results = tsne.fit_transform(hidden_features)print(tsne_results.shape)marker1 = ["^", "o", "+", "*", ]#-------------------------------可视化--------------------------------for cl in range(4):# 总的类别indices = np.where(color_map==cl)indices = indices[0]plt.scatter(tsne_results[indices,0], tsne_results[indices, 1],s=30, marker=marker1[cl], label=cl)plt.legend(loc=1,bbox_to_anchor=(1, 1.03))#plt.axis('off')plt.show()

3.4 训练结果可视化

训练集的损失率和精确度

图 训练集的损失率和精确度

图 混淆矩阵

4、结果分析

注释：因为设置仿真时，仿真故障的磨损和点蚀的差异性设计的不太明显。该数据集对于磨损和点蚀的差异性就不明显。所以测试集中，第三种（磨损）和第四种（点蚀）故障类型的故障诊断效果不太明显。

其实是根本分不开，我也跟纠结。

失败原因：主要有两部分

1、我认为训练集应该采用更高质量的仿真数据，可以有效得避免真实数据中的不同噪声信号相互混淆干扰。但是真实数据是对真实故障的对应映射，包含了最真实的故障信息；仿真数据不具备该方面的优势，仿真可能无法一一映射完整的故障信号。

2、该CNN模型的抗噪能力不太行，我设计模型没有考虑到有效的抗噪措施，进一步对模型的抗噪能力进行提升，可能是对故障诊断效果有效得提升。

所以就不放T-SNE的聚类图啦！！！（聚类效果太辣鸡啦！）