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
基于多尺度卷积神经网络（MSCNN-1D）的轴承信号故障诊断模型
创新首发！基于CNN-BiLSTM-KAN模型的滚动轴承剩余使用寿命预测
高效对抗噪声！基于深度残差收缩网络（DRSN）的轴承故障诊断模型
前言
本期主要更新基于 Python 的凯斯西储大学（CWRU）轴承数据+CNN模型教程！
我们新增了数据集和预处理的详细教程、jupyter 代码教程、pycharm 代码教程，进行了比较规范的基于 Pycharm 编辑器进行实现的代码，并且优化了训练过程的代码。同时补充了关于CNN模型及参数的讲解视频，方便同学们入门学习！请同学们更新后按照视频教程进行运行！
1 更新简介
1.1 新增视频教程：
增加了详细的视频教程，深入浅出的讲解，可以最为所有故障诊断系列模型的入门级学习教程！新增CNN模型参数介绍！
1.2 jupyter 代码更新：
（1）增加数据集可视化讲解
（2）优化训练代码
经过优化后的训练代码，大大缩短了训练的时间！
1.3 pycharm 代码更新：
我们严格按照完整的GitHub-Pytorch深度学习项目结构，重新编写了代码，方便大家学习养成规范的代码编写习惯！后续如有需要编写论文的开源代码，也可仿照重构代码！
1.4 代码更新效果：
（1）模型评估
（2）混淆矩阵
2 模型对比
对比1D-CNN模型 和2D-CNN模型：
|-------|--------|--------|--------|--------|
| 模型 | 参数量 | 训练集准确率 | 验证集准确率 | 测试集准确率 |
| 1DCNN | 35434 | 99.50 | 100.00 | 98.50 |
| 2DCNN | 103210 | 99.00 | 99.25 | 100.00 |
由于CNN-2D模型参数量稍微多一点，所以模型表现得也略好一点，适当调整参数，两者模型准确率相近。但是CNN-2D推理速度要快于CNN-1D，在轴承故障数据集上，应该更考虑CNN-2D模型在堆叠后的一维信号上进行卷积池化。
注意调整参数：
-
可以适当增加 CNN层数 和每层神经元个数，微调学习率；
-
增加更多的 epoch （注意防止过拟合）
-
可以改变一维信号堆叠的形状（设置合适的长度和维度）
3 代码、数据整理如下：
点击下方卡片获取代码！