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。