top一区轴承诊断迁移学习代码复现 故障诊断代码 复现 首先使用一维的cnn对源域和目标域进行特征提取，域适应阶段：将源域和目标域作为cnn的输入得到特征，然后进行边缘概率分布对齐和条件概率分布对齐，也就是进行JDA联合对齐。 此域适应方法特别适合初学者了解迁移学习的基础知识，特别推荐，学生问价有优惠 ●数据预处理：1维数据 ●网络模型：1D-CNN-MMD-Coral ●数据集：西储大学CWRU ●准确率：99% ●网络框架：pytorch ●结果输出：损失曲线图、准确率曲线图、混淆矩阵、tsne图 ●使用对象：初学者

最近在研究故障诊断的迁移学习，成功复现了top一区轴承诊断迁移学习的代码，感觉收获满满，迫不及待来和大家分享一下😎

一、整体流程

首先呢，是用一维的cnn对源域和目标域进行特征提取。在域适应阶段，把源域和目标域作为cnn的输入来获取特征，然后进行边缘概率分布对齐和条件概率分布对齐，这里采用的是JDA联合对齐。这个方法对于像我这样刚接触迁移学习的小白来说，简直太友好啦，能让我们很好地了解迁移学习的基础知识。

二、代码实战

数据预处理

处理的是1维数据哦。这里可以简单说下，1维数据在处理时，我们要确保数据的格式和维度是符合后续网络模型要求的。比如，可能要将数据进行归一化处理，让数据在一个合适的范围内，这样能加快模型的收敛速度。

# 简单的数据归一化示例代码
import numpy as np

data = np.array([1, 2, 3, 4, 5])
normalized_data = (data - np.min(data)) / (np.max(data) - np.min(data))
print(normalized_data)

这段代码就是把一个简单的1维数组进行了归一化处理。先求出数组中的最小值和最大值，然后通过公式进行计算，得到归一化后的数据。

网络模型

采用的是1D - CNN - MMD - Coral这个网络模型。1D - CNN大家应该比较熟悉啦，它能很好地处理一维数据的特征提取。MMD（Maximum Mean Discrepancy）和Coral在域适应中起到了关键作用。MMD用于衡量两个分布之间的差异，通过最小化源域和目标域之间的MMD，让它们的分布更接近。Coral则是用于进行协方差对齐，进一步优化域适应的效果。

数据集

使用的是西储大学CWRU数据集。这个数据集在故障诊断领域可是相当有名的😃 它包含了各种不同工况下的轴承数据，为我们的模型训练提供了丰富的样本。

准确率

最终模型达到了99%的准确率，是不是很厉害！这也说明我们的复现工作还是很成功的😄 能在这个数据集上取得这么高的准确率，证明了我们选择的模型和方法是有效的。

网络框架

基于pytorch搭建网络框架。pytorch真的是太方便啦，它有简洁易懂的语法，还有丰富的函数库。比如在定义网络模型时，我们可以很轻松地使用nn.Module这个类来构建我们的网络结构。

import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv1 = nn.Conv1d(1, 16, kernel_size=3, padding=1)
        self.relu = nn.ReLU()
        # 这里可以继续添加更多的层

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        # 继续进行前向传播计算
        return x

这段代码定义了一个简单的1D - CNN模型，包含一个卷积层和一个激活函数。通过继承nn.Module，我们可以很方便地管理网络的各个层和前向传播过程。

结果输出

会输出损失曲线图、准确率曲线图、混淆矩阵、tsne图。这些输出能帮助我们很好地了解模型的训练过程和性能。损失曲线图可以让我们看到模型在训练过程中损失值的变化情况，判断模型是否收敛。准确率曲线图则直观地展示了模型在训练和测试过程中的准确率变化。混淆矩阵能帮助我们了解模型对不同类别样本的分类情况，比如哪些样本容易被误分类。tsne图可以将高维的数据映射到二维空间，方便我们观察数据的分布和聚类情况。

三、总结

这次的代码复现真的让我对迁移学习和故障诊断有了更深入的理解。对于像我一样的初学者来说，这个方法真的是非常推荐！而且学生还有优惠哦😜 大家也赶紧试试吧，一起在代码的世界里探索更多的可能！

top一区轴承诊断迁移学习代码复现 故障诊断代码 复现 首先使用一维的cnn对源域和目标域进行特征提取，域适应阶段：将源域和目标域作为cnn的输入得到特征，然后进行边缘概率分布对齐和条件概率分布对齐，也就是进行JDA联合对齐。 此域适应方法特别适合初学者了解迁移学习的基础知识，特别推荐，学生问价有优惠 ●数据预处理：1维数据 ●网络模型：1D-CNN-MMD-Coral ●数据集：西储大学CWRU ●准确率：99% ●网络框架：pytorch ●结果输出：损失曲线图、准确率曲线图、混淆矩阵、tsne图 ●使用对象：初学者

希望这篇博文能对大家有所帮助，如果有问题或者想交流的，欢迎在评论区留言呀🤗