基于多尺度一维卷积神经网络(MS-1DCNN)的故障诊断方法|||研究，深度学习框架是pytorch。 西储大学故障诊断识别率为97.5%（验证集）以上很好运行的 适用于刚上手故障诊断的同学，就是从数据处理，到最后出图可视化完整一套流程，看完这个会对故障诊断流程有个清晰认识。 数据集为凯斯西储大学轴承数据。

嘿，刚上手故障诊断的同学们！今天咱来唠唠基于多尺度一维卷积神经网络（MS - 1DCNN）的故障诊断方法，用的深度学习框架是 Pytorch。咱会从数据处理一路讲到最后出图可视化，让你对整个故障诊断流程有个清晰的认识。数据集用的是经典的凯斯西储大学轴承数据，最后在西储大学故障诊断验证集上能达到 97.5%以上的识别率，效果杠杠的！

数据处理

首先，咱得把凯斯西储大学轴承数据请进来。这个数据集一般包含不同工况下的轴承振动数据等。在 Pytorch 里，我们可以这么来加载数据：

import torch
from torch.utils.data import Dataset, DataLoader
import pandas as pd


class BearingDataset(Dataset):
    def __init__(self, data_path, transform=None):
        self.data = pd.read_csv(data_path)
        self.transform = transform

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):
        sample = self.data.iloc[idx]
        if self.transform:
            sample = self.transform(sample)
        return torch.tensor(sample['features'].values, dtype=torch.float32), \
               torch.tensor(sample['label'], dtype=torch.long)


# 假设数据路径
data_path = 'bearing_data.csv'
bearing_dataset = BearingDataset(data_path)
data_loader = DataLoader(bearing_dataset, batch_size=32, shuffle=True)

这里我们定义了一个 BearingDataset 类来加载数据，继承自 torch.utils.data.Dataset。init 方法里读取了数据文件，len 方法返回数据集的长度，getitem 方法返回每个样本及其标签。然后通过 DataLoader 来批量加载数据，方便后续训练。

构建 MS - 1DCNN 模型

接下来就是构建我们的多尺度一维卷积神经网络啦。

import torch.nn as nn


class MS1DCNN(nn.Module):
    def __init__(self):
        super(MS1DCNN, self).__init__()
        self.conv1 = nn.Conv1d(in_channels=1, out_channels=32, kernel_size=3)
        self.conv2 = nn.Conv1d(in_channels=32, out_channels=64, kernel_size=5)
        self.conv3 = nn.Conv1d(in_channels=64, out_channels=128, kernel_size=7)
        self.pool = nn.MaxPool1d(kernel_size=2, stride=2)
        self.fc1 = nn.Linear(128 * 10, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.pool(nn.functional.relu(self.conv1(x)))
        x = self.pool(nn.functional.relu(self.conv2(x)))
        x = self.pool(nn.functional.relu(self.conv3(x)))
        x = x.view(-1, 128 * 10)
        x = nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return x


model = MS1DCNN()

在这个模型里，我们定义了三个不同尺度的一维卷积层 conv1、conv2、conv3，卷积核大小分别为 3、5、7，这样可以捕捉不同尺度的特征。然后通过 MaxPool1d 进行池化操作，减少数据维度。接着是两个全连接层 fc1 和 fc2，最后输出分类结果。

训练模型

模型有了，数据也准备好了，那就开始训练吧！

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

num_epochs = 10
for epoch in range(num_epochs):
    running_loss = 0.0
    for i, data in enumerate(data_loader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    print(f'Epoch {epoch + 1}, Loss: {running_loss / len(data_loader)}')

这里我们选择了交叉熵损失函数 CrossEntropyLoss，优化器用的是 Adam，学习率设为 0.001。在每个 epoch 里，遍历数据加载器，前向传播得到输出，计算损失，反向传播更新参数，最后打印每个 epoch 的平均损失。

模型评估与可视化

训练完了，咱得看看模型表现咋样。

correct = 0
total = 0
with torch.no_grad():
    for data in data_loader:
        images, labels = data
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print(f'Accuracy of the network on the test images: {100 * correct / total}%')

这里计算了模型在测试集上的准确率。要是想更直观地看看模型预测情况，我们可以用一些可视化工具，比如 Matplotlib。

import matplotlib.pyplot as plt
import numpy as np

# 假设已经得到预测结果和真实标签
predicted_labels = []
true_labels = []
with torch.no_grad():
    for data in data_loader:
        images, labels = data
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        predicted_labels.extend(predicted.tolist())
        true_labels.extend(labels.tolist())

confusion_matrix = np.zeros((10, 10))
for i in range(len(predicted_labels)):
    confusion_matrix[true_labels[i]][predicted_labels[i]] += 1

plt.imshow(confusion_matrix, cmap='Blues')
plt.title('Confusion Matrix')
plt.colorbar()
plt.xlabel('Predicted Label')
plt.ylabel('True Label')
plt.show()

上面这段代码生成了混淆矩阵并可视化出来，能让我们清楚地看到模型在不同类别上的预测情况。

基于多尺度一维卷积神经网络(MS-1DCNN)的故障诊断方法|||研究，深度学习框架是pytorch。 西储大学故障诊断识别率为97.5%（验证集）以上很好运行的 适用于刚上手故障诊断的同学，就是从数据处理，到最后出图可视化完整一套流程，看完这个会对故障诊断流程有个清晰认识。 数据集为凯斯西储大学轴承数据。

好啦，通过这一套流程，从数据处理到模型构建、训练、评估和可视化，你对基于 MS - 1DCNN 的故障诊断流程是不是有了清晰的认识呀？赶紧动手试试吧！