利用小波变换和CNN的西褚大学轴承故障诊断

刚接触深度学习故障诊断不久，学习了一些振动信号的时频处理方法。看了一些论文，大致思路都是：
将轴承的振动数据转换利用下小波变换或者希尔伯特黄变换转换为时频图像，再利用CNN分类识别。
先用matlab处理振动信号，数据集选用的是0HP工况，取1024个小样本点，分别做fft,短时傅里叶，小波变换。


再在matlab中转换为256 * 256 * 3的图片存储到矩阵之中，再存储到.mat文件中
利用python处理mat文件，做4分类，每个类别700个样本，分为500个训练样本，100个验证样本，100个测试样本（样本的个数有点少，因为选用的矩阵维度比较大，自己的笔记本有点带不动，如果选用64 * 64或者更小的图片作为输入，图像会显得模糊，很不直观。也是下一步思考的方向）：

python读取mat文件，做通道交换，每张小波变换图的大小为256 * 256 * 3,作为cnn的输入：

模型的训练曲线：

最终测试集上的准确率：