功能：

1. 自动故障识别：通过深度学习模型，系统能够从多维传感器数据中提取特征，自动识别设备可能出现的故障类型。
2. 模型训练与评估：通过大量实验数据训练卷积神经网络和残差网络，并使用交叉验证、混淆矩阵等多种方法评估模型的性能。
3. 结果可视化：提供准确率、损失曲线、ROC曲线、PR曲线等多种可视化工具，帮助用户更好地理解模型性能。
4. 对比分析：除了使用CNN和ResNet，还引入LSTM模型进行对比实验，探索不同深度学习模型在信号故障诊断中的表现。

项目功能

1. 数据预处理：系统自动处理输入的多维信号数据，进行标签编码、特征缩放和数据标准化，保证数据适用于深度学习模型。
2. 深度学习模型：

• 使用卷积神经网络（CNN）进行信号特征提取，并通过全连接层进行分类。
• 引入残差网络（ResNet），提高深层网络的训练稳定性，增强模型的泛化能力。

1. 模型评估与可视化：

• 系统提供准确率、混淆矩阵、分类报告等指标，帮助用户全面评估模型性能。
• 提供ROC曲线、精确率-召回率曲线等可视化工具，便于分析模型在不同故障类型上的表现。

1. 学习曲线与过拟合监控：系统绘制训练过程中的损失曲线和学习曲线，监控模型是否出现过拟合或欠拟合问题。