基于残差连接结合1D_CNN的滚动轴承故障诊断

一、试验数据

本次依旧采用凯斯西储大学滚动轴承数据集，数据集的划分形式和之前的帖子一样。

二、模型结构

本次的模型为1D_CNN结合残差网络的直连结构，残差结构直连能够避免深度梯度消失，一维卷积神经网络是运用一维卷积对一维时序序列进行特征提取的卷积神经网络，能够保证在不损失时序特征的同时提取局部特征，对于轴承振动信号这样的周期的时间序列分析是非常有效的，模型结构如下。

三、实验结果及分析

训练模型数据依旧是一维时域信号，训练集和验证对模型进行训练，并保存模型结构，为.h5文件。训练结果如下所示

四、模型测试及可视化

将训练好的故障诊断模型重新加载出来，把测试集数据送入到模型中，为进一步地反映本文构建的模型对滚动轴承故障的识别能力，引入了多分类混淆矩阵对故障识别结果进行详细分析，如图下所示。
在多分类混淆矩阵中可以看到，测试集样本中只有部分故障类型被误判。
为了更直观的展示模型对滚动轴承不同状态振动数据特征的学习能力，引 入t-sne 技术显示模型不同网络层特征提取的结果，并可视化进行分析比较。分别将不同网络层特征提取的结果在二维空间表示。



由于振动信号本身存在的冗余性，输入层的原始样本的分布杂乱无章；经过第 2 个残差块学习后，输出的样本分布有了显著的变化，大部分样本都聚集在各自的区域，但仍有不少样本没有聚拢，散落在相邻的类别之间。直到对全连接层的样本进行可视化，结果可以看见，大部分样本聚拢自己相应的区域，与多分类混淆矩阵的结果相符。最终测试集上的整体识别率为 98%以上。