本项目从零开始搭建深度领域混淆（Deep Domain Confusion，DDC）算法。项目包括加载CWRU轴承原始信号，信号处理、数据集制作，模型搭建，DDC域混淆算法设计、特征可视化，混淆矩阵等流程来帮助读者学习基于迁移学习的故障诊断。学懂本项目即可了解故障诊断之迁移学习的基本流程。本项目中[*所有程序代码包含详细的注释*]，适合新生小白学习。

1.数据集介绍

1.1试验台介绍

CWRU凯斯西储大学数据集包括四种轴承不同轴承健康状态，即正常状态、内圈故障、外圈故障和滚动体故障。分别有7mils、14mils和21mils三种故障直径（1mils=0.0254mm）。该电动机在0hp、1hp、2hp、3hp四种不同的负载和1730r/min、1750r/min、1772r/min、1797r/min四种不同转速下收集振动信号。

图1. CWRU试验台

1.2采集信号样本介绍

（1）正常数据样本

Motor Load (HP)	Approx. Motor Speed (rpm)	Normal Baseline Data
0	1797	97.mat
1	1772	98.mat
2	1750	99.mat
3	1730	100.mat

（2）故障数据样本

故障直径	电机负载 (HP)	电机 转速 (rpm)	内圈 故障	滚珠故障	外圈故障
					Centered @6:00	Orthogonal @3:00	Opposite @12:00
0.007"	0	1797	105.mat	118.mat	130.mat	144.mat	156.mat
	1	1772	106.mat	119.mat	131.mat	145.mat	158.mat
	2	1750	107.mat	120.mat	132.mat	146.mat	159.mat
	3	1730	108.mat	121.mat	133.mat	147.mat	160.mat
0.014"	0	1797	169.mat	185.mat	197.mat	*	*
	1	1772	170.mat	186.mat	198.mat	*	*
	2	1750	171.mat	187.mat	199.mat	*	*
	3	1730	172.mat	188.mat	200.mat	*	*
0.021"	0	1797	209.mat	222.mat	234.mat	246.mat	258.mat
	1	1772	210.mat	223.mat	235.mat	247.mat	259.mat
	2	1750	211.mat	224.mat	236.mat	248.mat	260.mat
	3	1730	212.mat	225.mat	237.mat	249.mat	261.mat

2.数据预处理

数据预处理部分主要是将原始信号划分为训练集和测试集，以用于训练模型。该部分包括：

•  加载原始信号，从.mat原始数据中加载信号数据；
• 信号分割，即将原始信号分割为多个样本；
• 信号变换，将时域信号转换为频域信号；
• 信号归一化，将信号进行归一化处理；
• 信号重塑，将信号转换为[batch, channel, height, weight]的数据，以便于输入卷积模型；
• 数据集生成，将每个类别的样本和标签进行拼接，组成一个完成的训练集。 

 图2. 信号预处理过程

2.1加载原始信号

从mat文件中加载原始的信号，如下图所示。

图3. 原始信号

2.2信号分割

从原始信号中随机采样n个样本长度为1024的样本，如下图所示。

图4. 截取的单个样本信号

2.3对原始信号进行FFT变换

图5. 时域信号变换为频域信号

2.4信号重塑

将长度为[1024]的一维频域信号重塑为[32, 32]的二维信号，如下图所示。

图6. 二维信号

 3.模型介绍

3.1模型结构介绍

本项目使用的轻量化模型主要由标准卷积（Conv1和Conv2）、轻量化特征提取块（Block1和Block2）和分组卷积GC组成，如图6所示，在网络最后一层施加MMD策略。

图7. 诊断模型结构

3.2模型结构参数介绍

具体的模型结构如表1所示，如果不理解可以查看ShuffleNet参考文献。

表1. 诊断模型详细结构参数

4.程序介绍

本项目包含的所有程序文件如下：

图8. DDC项目包含的所有文件

5.混淆矩阵

本项目根据模型保存的预测标签与真实标签来画混淆矩阵，DDC算法在0hp至0hp、0hp至1hp、0hp至2hp、0hp至3hp四个迁移任务中混淆矩阵如下，可以看出DDC在四个迁移任务中均取得了100%准确的分类结果。

图9. DDC在四个迁移任务中模型输出预测标签与真实标签混淆矩阵

6.特征可视化

本项目根据通过加载训练时保存的模型并抽取某一层特征，然后利用t-SNE算法对特征进行可视化，DDC算法在0hp至0hp、0hp至1hp、0hp至2hp、0hp至3hp四个迁移任务中特征可视化效果如下，可以看出DDC在四个迁移任务中均取得了良好的聚类效果。

7.项目包含的程序文件

项目文件具体包含以下具体文件：

完整项目获取：kk：1764619824

1. CWRU原始信号数据；

2. 数据预处理程序文件：该文件包含加载原始信号、样本采样、信号变换、信号归一化、样本打标签、生成训练集和测试集。

3. 自己搭建的诊断模型；

4.DDC域混淆算法程序文件，CWRU变工况诊断准确率可达100%；

5. 模型训练与测试程序文件，该文件的功能包括：

  （1）保存最佳诊断模型；

  （2）保存最佳模型预测的分类标签；

  （3）保存模型的训练过程，包括训练集的损失和准确率、测试集的损失和准确率，以及总的训练损失。

  （4）项目使用深度域混淆算法DDC来优化模型。

6. 绘制混淆矩阵的程序文件，该文件可以读取保存的预测标签并绘制混淆矩阵；

7. 模型测试与特征抽取的程序文件，该文件可以：

   （1）加载4保存好的模型并进行测试模型的效果；

   （2）抽取模型提取的某一层特征，以便于特征可视化；

8. 特征可视化程序文件，该文件可以加载6抽取好的特征进行t-SNE可视化。