50种深度学习模型×10种时频方法，故障诊断、分类一键跑通！

作品简介

今天给大家分享一个故障诊断全家桶项目，整合了50种经典的、主流的深度学习模型 和 10种1D转2D的时频变换方法，共计 500种组合，并为每个模型配合tsne可视化操作。 先来看50种深度学习模型有哪些：

网络名称（年份）论文链接DenseNet (2017)https://arxiv.org/abs/1608.06993GoogLeNet (2015)https://arxiv.org/abs/1409.4842InceptionV3 (2016)https://arxiv.org/abs/1512.00567MobileNetV2 (2018)https://arxiv.org/abs/1801.04381MobileNetV3 (2019)https://arxiv.org/abs/1905.02244ShuffleNet (2018)https://arxiv.org/abs/1707.01083SqueezeNet (2016)https://arxiv.org/abs/1602.07360EfficientNet (2019)https://arxiv.org/abs/1905.11946GhostNet (2020)https://arxiv.org/abs/1911.11907MnasNet (2019)https://arxiv.org/abs/1807.11626SENet (2018)https://arxiv.org/abs/1709.01507SKNet (2019)https://arxiv.org/abs/1903.06586ViT (2021)https://arxiv.org/abs/2010.11929Swin Transformer (2021)https://arxiv.org/abs/2103.14030ConvNeXt (2022)https://arxiv.org/abs/2201.03545WideResNet (2016)https://arxiv.org/abs/1605.07146ResNeXt (2017)https://arxiv.org/abs/1611.05431Xception (2017)https://arxiv.org/abs/1610.02357RegNet (2020)https://arxiv.org/abs/2003.13678DPN (2017)https://arxiv.org/abs/1707.01629InceptionResNet (2017)https://arxiv.org/abs/1602.07261ResNet-FPN (2017)https://arxiv.org/abs/1612.03144MobileViT (2022)https://arxiv.org/abs/2110.02178CoAtNet (2021)https://arxiv.org/abs/2106.04803ConvMixer (2022)https://arxiv.org/abs/2201.09792PoolFormer (2022)https://arxiv.org/abs/2111.11418EdgeNeXt (2022)https://arxiv.org/abs/2206.10589Res2Net (2021)https://arxiv.org/abs/1904.01169GCNet (2019)https://arxiv.org/abs/1904.11492RepVGG (2021)https://arxiv.org/abs/2101.03697FocalNet (2022)https://arxiv.org/abs/2203.11926CrossViT (2021)https://arxiv.org/abs/2103.14899PVTv2 (2021)https://arxiv.org/abs/2106.13797CaiT (2021)https://arxiv.org/abs/2103.17239EfficientFormer (2022)https://arxiv.org/abs/2206.01191HRNet (2020)https://arxiv.org/abs/1908.07919

是的，你没看错！本项目就是把以上50种类型的模型全部整合到了一起，你可以方便的学习到每个模型的构建方式，并且将该模型用于故障诊断或者分类模型！

一、项目概述

本项目以经典的 CWRU（西储大学）轴承数据集 为例，完整实现了：


❝原始振动信号 → 加噪 → 1D转2D时频图 → 深度学习分类 → 评估可视化

整个项目流程只需4个脚本，按顺序运行即可：

步骤脚本功能STEP1STEP1_add_noise.py对原始信号添加高斯白噪声(不想加也可以！)STEP2STEP2_convert_1D_to_2D.py将1D信号转为2D时频图像（64×64×3）STEP3STEP3_train_single.py选择一种时频方法+一种模型，训练评估STEP4STEP4_train_all.py一键批量跑所有组合，自动汇总结果


二、10种时频变换方法

项目支持以下 10种1D→2D转换方法，每种方法将长度为2048的振动信号转为64×64×3的图像：

方法全称简介STFT短时傅里叶变换最经典的时频分析方法CWT连续小波变换多尺度分析，对数频率覆盖MelMel频谱图模拟人耳感知的频率尺度GASFGramian角求和场时间序列→极坐标→角度求和GADFGramian角差分场与GASF互补的角度差分编码MTFMarkov转移场捕捉时间序列的状态转移概率RP递归图相空间重构后的递归可视化WPD小波包分解等频带分解，频率分辨率均匀STS变换结合STFT和CWT优点的时频方法WVDWigner-Ville分布高分辨率时频分布


三、50种深度学习模型

项目涵盖了从经典到前沿的 50种模型，全部手写版，适配64×64输入：

CNN + 注意力（4种）CNN2D、SE-CNN2D、CBAM-CNN2D、ECA-CNN2D

ResNet + YOLO骨干（3种）ResNet18、DarkNet、CSPNet

VGG系列（2种）VGG11、VGG16

DenseNet（1种）DenseNet

Inception系列（2种）GoogLeNet、InceptionV3

轻量级网络（7种）MobileNetV2、MobileNetV3、ShuffleNet、SqueezeNet、EfficientNet、GhostNet、MnasNet

注意力网络（2种）SENet、SKNet

Transformer（3种）ViT、SwinTransformer、TinyViT

现代架构（5种）ConvNeXt、WideResNet、Xception、RegNet、DPN

组合混合模型（10种）InceptionResNet、SE-ResNet、CBAM-ResNet、SE-DenseNet、ResNet-FPN、MobileViT、CoAtNet、ConvMixer、PoolFormer、EdgeNeXt

多尺度/金字塔（11种）Res2Net、ECA-ResNet、GCNet、RepVGG、VAN、FocalNet、CrossViT、PVTv2、CaiT、EfficientFormer、HRNet

五、输出结果

每个模型训练完成后，自动生成以下评估结果：

1. 准确率/损失曲线（含训练集、验证集、测试集三条曲线）

2. 混淆矩阵

3. 分类报告（Precision、Recall、F1-score）

4. 每类准确率柱状图

5. t-SNE特征可视化（原始特征 + FC层特征）

批量训练完成后，还会自动汇总所有组合的指标（Val Acc、Test Acc、Precision、Recall、F1），并保存为CSV文件，方便对比分析。

六、项目目录

下面这是results里边跑的部分结果：

STEP1：添加噪声

python STEP1_add_noise.py

读取 dataset/CWRU/ 中的原始 .mat 文件，添加高斯白噪声后保存到 dataset/Add_Noise_CWRU/。

STEP2：1D信号转2D时频图

# 转换全部10种方法

python STEP2_convert_1D_to_2D.py --method all

# 只转换指定方法

python STEP2_convert_1D_to_2D.py --method STFT

生成的 .npy 文件保存在 dataset/Add_Noise_CWRU_2D/，可视化 .png 保存在 dataset/Add_Noise_CWRU_2D_img/。

STEP3：单模型训练

打开 STEP3_train_single.py，修改配置区域的 tf_method 和 use_model：

tf_method = 
'STFT'
      
# 时频方法

use_model = 
'ResNet18'
   
# 模型名称

epochs = 
30
              
# 训练轮数

然后运行：

python STEP3_train_single.py

STEP4：一键批量训练

# 跑全部 500 个组合

python STEP4_train_all.py

# 只跑指定方法和模型

python STEP4_train_all.py --tf_method STFT CWT --use_model ResNet18 CNN2D

# 自定义参数

python STEP4_train_all.py --epochs 50 --batch_size 64 --lr 0.001

七、几个设计细节

数据划分：采用 训练集60% / 验证集20% / 测试集20% 的三分策略，分层采样保证每个类别比例一致。模型选择基于验证集最优，最终指标在测试集上报告，避免信息泄露。

全部手写实现：50种模型均为手写版，不依赖 torchvision 预训练模型，适配 64×64 小尺寸输入，训练速度快，适合学术实验。

以上就是整个项目的介绍。50种模型 × 10种时频方法 = 500种组合，基本涵盖了故障诊断领域主流的深度学习方案，拿来跑实验、写论文都很方便。、代码获取


创作时间：