往期精彩内容：
Python轴承故障诊断 (14)高创新故障识别模型-CSDN博客
独家原创 | SCI 1区 高创新轴承故障诊断模型！-CSDN博客
基于 GADF+Swin-CNN-GAM 的高创新轴承故障诊断模型-CSDN博客
Python轴承故障诊断 (19)基于Transformer-BiLSTM的创新诊断模型-CSDN博客
Python轴承故障诊断 (20)高创新故障识别模型（三）-CSDN博客
视觉顶会论文 | 基于Swin Transformer的轴承故障诊断-CSDN博客
Python轴承故障诊断 | 多尺度特征交叉注意力融合模型-CSDN博客
SHAP 模型可视化 + 参数搜索策略在轴承故障诊断中的应用-CSDN博客
速发论文 | 基于 2D-SWinTransformer+1D-CNN-SENet并行故障诊断模型-CSDN博客
Python轴承故障诊断 (21)基于VMD-CNN-BiTCN的创新诊断模型-CSDN博客
基于改进1D-VGG模型的轴承故障诊断和t-SNE可视化-CSDN博客
故障诊断 | 创新模型更新：基于SSA-CNN-Transformer诊断模型-CSDN博客
独家首发 | 基于 2D-SwinTransformer + BiGRU-GlobalAttention的并行故障诊断模型-CSDN博客
位置编码祛魅 | 详解Transformer中位置编码Positional Encoding-CSDN博客
创新点 | 基于快速傅里叶卷积（FFC） 的故障诊断模型-CSDN博客
代码开源! | 变工况下的域对抗图卷积网络故障诊断-CSDN博客
超强 ！顶会创新融合！基于 2D-SWinTransformer 的并行分类网络-CSDN博客
多模态-故障诊断 | 大核卷积开启视觉新纪元!-CSDN博客
超强！一区直接写！基于SSA+Informer-SENet故障诊断模型-CSDN博客
Transformer结构优势 ,How Much Attention Do You Need?-CSDN博客
故障诊断 | 一个小创新：特征提取+KAN分类-CSDN博客
图卷积故障诊断，新增GAT、SGCN、GIN分类模型-CSDN博客
故障诊断一区直接写，图卷积+BiGRU-Attention 并行诊断模型-CSDN博客
故障诊断高创新！基于1D-GRU+2D-MTF-ResNet-CBAM的多模态融合分类模型_基于1dcnn-informer+matt融合的故障诊断模型-CSDN博客
创新首发！ | 基于1DCNN-Informer+MATT融合的故障诊断模型_论文复现基于 1dcnn bilstm 的航空发动机故障分类研究-CSDN博客
轴承故障特征---SHAP 模型 3D 可视化_shap值溯源模型-CSDN博客
时频图像/多模态+顶会论文创新，故障诊断发文不是梦！-CSDN博客
江南大学轴承故障诊断教程+1DVGG-6种注意力机制合集！-CSDN博客
轴承寿命预测全家桶更新！新增西交XJTU-SY数据集+预测模型合集_hxd3b 型电力机车轴承寿命预测实例中,一张该模型预测结果-CSDN博客
最强更新！西储大学（CWRU）轴承数据集保姆级教程！-CSDN博客
故障诊断 SCI 1 区直接写！基于GADF+SwinTransformer-CBAM+GRU的多模态融合分类模型-CSDN博客
故障诊断模型评估------混淆矩阵，如何使样本量一致（上）-CSDN博客
创新首发！齿轮箱故障诊断：基于MTF+Swin-Informer的多模态创新模型
前言
在现代工业生产中，机械设备的故障诊断对保障生产安全和提高设备寿命具有重要意义。轴承作为旋转机械的关键部件，其早期故障检测尤为关键。针对传统诊断方法对信号特征提取依赖强且准确率有限的问题，本期基于凯斯西储大学（CWRU）轴承数据集，实现基于 Python-Pytorch 框架多尺度卷积神经网络的1维信号处理模型------MSCNN-1D，完成轴承振动信号的高效准确诊断。并更新在轴承故障诊断全家桶中，请同学们更新后按照视频教程进行运行学习！
● 数据集：凯斯西储大学（CWRU）轴承数据集
● 环境框架：python 3.11 pytorch 2.1 及其以上版本均可运行
● 准确率：测试集99%
● 使用对象：初学者、论文需求、毕业设计需求者
● 代码保证：代码注释详细、即拿即可跑通。
1 多尺度卷积神经网络简介
1.1 模型简介
多尺度卷积神经网络（Multi-Scale Convolutional Neural Networks，简称MSCNN）是一类在卷积神经网络（CNN）基础上，设计多种卷积核尺寸并行提取特征的深度学习结构。其核心思想是利用不同尺度的卷积核捕捉输入数据的多层次、多粒度信息，从而提升模型的表达能力和泛化性能。
核心机制：传统CNN通常采用固定大小的卷积核（例如3×3或5×5）进行特征提取，难以同时兼顾局部细节和更大范围的上下文信息。而多尺度卷积通过并行设置多种不同大小的卷积核（如3×3、5×5、7×7），针对同一输入特征图进行多尺度卷积操作，获得不同感受野范围的表示。随后将这些多尺度特征进行融合（如拼接或加权求和），实现信息的综合利用。
1.2 网络结构介绍
多尺度卷积神经网络MSCNN-1D是一种专门针对一维信号如轴承振动信号设计的深度学习模型，旨在充分利用多尺度卷积来捕获信号中不同频率和时长的特征，实现精确的故障诊断：
（1）输入层
模型接收一维的多通道输入信号，常见为振动采样序列，形状为(batch_size, channels, sequence_length)。例如单通道或多通道传感器采集的数据。
（2）初始卷积层
使用较大的卷积核（如核大小9）对原始输入信号进行特征预处理，提取基础局部信息，输出通道较多（如64通道），并配套ReLU激活函数增强非线性表达能力。
（3）多尺度卷积模块（MSB）
核心模块MSB包含多条并行卷积支路，分别采用不同大小的卷积核（例如3、5、7），对同一输入特征图进行卷积计算。采集多范围（短时、中时、长时）特征，从不同尺度捕获信号规律。MSB输出是多尺度卷积结果在通道维度的拼接，实现丰富的表示融合。
（4）池化层
多尺度卷积输出后配有池化层（如最大池化），对时序信号长度进行下采样，压缩计算量同时提取重要特征。
（5）MSB堆叠与MSB_mini模块
模型通过多层MSB和简化版MSB_mini模块堆叠，逐层提炼信号特征，增强深层表达能力。MSB_mini一般采用较简单的卷积核组合，降低计算复杂度，且保持多尺度分析特性。
（6）1×1卷积融合层
在多尺度与多层特征抽取后，采用1×1卷积层对通道维度进行调整融合，减少参数，强化通道之间的非线性组合，提升特征表达的紧凑性和判别力。
（7）1×1卷积融合层
最终通过一层1×1卷积映射到所需的分类通道数（如故障类别数），输出对应的类别概率或logits，用于故障诊断分类。
MSCNN-1D模型结构紧凑，基于多尺度卷积块层层递进融合，适合处理复杂时序信号特别是机械振动信号，实现高准确率和实时故障诊断，为智能制造提供高性能的故障预警技术支持。
2 CWRU数据的预处理
2.1 导入数据
参考之前的文章，进行故障10分类的预处理，凯斯西储大学轴承数据10分类数据集：
2.2 数据集预处理
通过滑动窗口制作数据集，并按照7：2：1均匀划分训练集、验证集、测试集，最后保存数据。
3 基于MSCNN的故障诊断模型
3.1 定义网络模型,设置参数，训练模型
50个epoch，准确率99%，用 多尺度卷积神经网络MSCNN分类效果显著，能够从故障信号特征中提取出对模型识别重要的特征，效果明显!应用展现出显著优势：
-
多尺度响应能力：不同大小卷积核兼顾信号中高频与低频信息。
-
自动特征学习：省去复杂人工特征提取过程，实现端到端诊断。
-
轻量高效：合理设计卷积通道数和层数，兼顾性能与计算效率。
-
适配多通道信号：灵活支持多传感器数据融合。
3.2 模型评估
（1）准确率、精确率、召回率、F1 Score
（2）故障10分类混淆矩阵：
4 代码、数据整理如下：
点击下方卡片获取代码！