今天给大家分享一个故障诊断全家桶项目 ，整合了50种经典的、主流的深度学习模型 和 10种1D转2D的时频变换方法 ，共计 500种组合，并为每个模型配合tsne可视化操作。 先来看50种深度学习模型有哪些：
是的，你没看错！本项目就是把以上50种类型的模型全部整合到了一起，你可以方便的学习到每个模型的构建方式，并且将该模型用于故障诊断或者分类模型！
一、项目概述
本项目以经典的 CWRU（西储大学）轴承数据集 为例，完整实现了：
❝
原始振动信号 → 加噪 → 1D转2D时频图 → 深度学习分类 → 评估可视化
整个项目流程只需4个脚本，按顺序运行即可：
| 步骤 | 脚本 | 功能 |
|---|---|---|
| STEP1 | STEP1_add_noise.py |
对原始信号添加高斯白噪声(不想加也可以！) |
| STEP2 | STEP2_convert_1D_to_2D.py |
将1D信号转为2D时频图像（64×64×3） |
| STEP3 | STEP3_train_single.py |
选择一种时频方法+一种模型，训练评估 |
| STEP4 | STEP4_train_all.py |
一键批量跑所有组合，自动汇总结果 |
二、10种时频变换方法
项目支持以下 10种1D→2D转换方法，每种方法将长度为2048的振动信号转为64×64×3的图像：
| 方法 | 全称 | 简介 |
|---|---|---|
| STFT | 短时傅里叶变换 | 最经典的时频分析方法 |
| CWT | 连续小波变换 | 多尺度分析，对数频率覆盖 |
| Mel | Mel频谱图 | 模拟人耳感知的频率尺度 |
| GASF | Gramian角求和场 | 时间序列→极坐标→角度求和 |
| GADF | Gramian角差分场 | 与GASF互补的角度差分编码 |
| MTF | Markov转移场 | 捕捉时间序列的状态转移概率 |
| RP | 递归图 | 相空间重构后的递归可视化 |
| WPD | 小波包分解 | 等频带分解，频率分辨率均匀 |
| ST | S变换 | 结合STFT和CWT优点的时频方法 |
| WVD | Wigner-Ville分布 | 高分辨率时频分布 |
三、50种深度学习模型
项目涵盖了从经典到前沿的 50种模型，全部手写版，适配64×64输入：
**CNN + 注意力（4种）**CNN2D、SE-CNN2D、CBAM-CNN2D、ECA-CNN2D
**ResNet + YOLO骨干（3种）**ResNet18、DarkNet、CSPNet
**VGG系列（2种）**VGG11、VGG16
**DenseNet（1种）**DenseNet
**Inception系列（2种）**GoogLeNet、InceptionV3
**轻量级网络（7种）**MobileNetV2、MobileNetV3、ShuffleNet、SqueezeNet、EfficientNet、GhostNet、MnasNet
**注意力网络（2种）**SENet、SKNet
**Transformer（3种）**ViT、SwinTransformer、TinyViT
**现代架构（5种）**ConvNeXt、WideResNet、Xception、RegNet、DPN
**组合混合模型（10种）**InceptionResNet、SE-ResNet、CBAM-ResNet、SE-DenseNet、ResNet-FPN、MobileViT、CoAtNet、ConvMixer、PoolFormer、EdgeNeXt
**多尺度/金字塔（11种）**Res2Net、ECA-ResNet、GCNet、RepVGG、VAN、FocalNet、CrossViT、PVTv2、CaiT、EfficientFormer、HRNet
四、输出结果
每个模型训练完成后，自动生成以下评估结果：
1. 准确率/损失曲线（含训练集、验证集、测试集三条曲线）
2. 混淆矩阵
3. 分类报告（Precision、Recall、F1-score）
4. 每类准确率柱状图
5. t-SNE特征可视化（原始特征 + FC层特征）
批量训练完成后，还会自动汇总所有组合的指标（Val Acc、Test Acc、Precision、Recall、F1），并保存为CSV文件，方便对比分析。
五、项目目录
下面这是results里边跑的部分结果：
STEP1：添加噪声
go
python STEP1_add_noise.py读取 dataset/CWRU/ 中的原始 .mat 文件，添加高斯白噪声后保存到 dataset/Add_Noise_CWRU/。
STEP2：1D信号转2D时频图
go
# 转换全部10种方法
python STEP2_convert_1D_to_2D.py --method all
# 只转换指定方法
python STEP2_convert_1D_to_2D.py --method STFT生成的 .npy 文件保存在 dataset/Add_Noise_CWRU_2D/，可视化 .png 保存在 dataset/Add_Noise_CWRU_2D_img/。
STEP3：单模型训练
打开 STEP3_train_single.py，修改配置区域的 tf_method 和 use_model：
go
tf_method = 'STFT' # 时频方法
use_model = 'ResNet18' # 模型名称
epochs = 30 # 训练轮数然后运行：
go
python STEP3_train_single.pySTEP4：一键批量训练
go
# 跑全部 500 个组合
python STEP4_train_all.py
# 只跑指定方法和模型
python STEP4_train_all.py --tf_method STFT CWT --use_model ResNet18 CNN2D
# 自定义参数
python STEP4_train_all.py --epochs 50 --batch_size 64 --lr 0.001六、几个设计细节
数据划分：采用 训练集60% / 验证集20% / 测试集20% 的三分策略，分层采样保证每个类别比例一致。模型选择基于验证集最优，最终指标在测试集上报告，避免信息泄露。
全部手写实现：50种模型均为手写版，不依赖 torchvision 预训练模型，适配 64×64 小尺寸输入，训练速度快，适合学术实验。
以上就是整个项目的介绍。50种模型 × 10种时频方法 = 500种组合，基本涵盖了故障诊断领域主流的深度学习方案，拿来跑实验、写论文都很方便。、代码获取
代码获取
链接：https://mbd.pub/o/bread/YZWcmJ1qZg==
点击下方阅读原文也可跳转！