本文是《滚动轴承故障诊断》系列的第 6 篇，也是全系列最有含金量的一篇 （算法核心）。
系列完整目录见文末【专栏导航】。本篇讲解的两个模型结构代码见公众号。
一、从"拍平"到"看波形"：深度学习赢在哪
第 5 篇讲到，随机森林把样本"拍平"成 2000 个数字，它看不见波形的形状------这就是它卡在 73% 的根因。
神经网络走的是完全不同的路：它让模型自己去看波形。
一维卷积神经网络（1D-CNN）不把样本摊平，而是让一个"滑动的小窗口"（卷积核）顺着时间轴一路扫过去 ，每扫到一个局部，就提取这里的"形状特征"------比如某个故障的冲击脉冲长什么样。这就是自动特征工程：不用人设计特征，模型自己学。
所以深度学习相对传统方法的本质区别就一句话：随机森林看"一串数"，CNN 看"一段波形"。
二、一维卷积是怎么"看波形"的
拿本项目第一层 Conv1D(64, 3) 举例：
3是卷积核长度：每次看相邻 3 个采样点；64是核的个数：同一段波形用 64 种不同的"眼光"去看，各提取一种局部模式；- 窗口一路滑过整条信号，生成 64 组"局部响应"------这就是特征图。
再经过池化（下采样、压缩信息）、继续卷积，网络就一层层把"细小的局部模式"组合成"更高层的整体判断"。CNN 对波形这类有局部结构的数据，天生合适。
三、本项目 CNN 的网络结构
python
Input(1000,2) → Conv1D(64,3) → MaxPooling1D(16) → 全局平均池化 → Dense(32) → Dropout(0.5) → softmax(4)一层卷积 + 一次池化 + 一个分类头，非常浅。
浅到学不好------实测准确率只有 约 83% ，而且内圈故障这一类的召回率明显偏低：一部分内圈样本被误判成了滚动体。
为什么？因为内圈故障的冲击频率高、和滚动体故障的波形存在相似性，单层卷积的特征提取能力太弱，分不清它们。这正是引出残差网络的最佳铺垫。
四、残差模块：那条著名的"捷径"
残差网络（ResNet）的改动很小，却很重要：在网络里加了"残差连接"（Residual Block）。
看它的内部结构（本项目残差块）：
输入 x
↓
Conv1D(relu) → BN → Conv1D(无激活) → BN
↓
F(x) ← 卷积分支算出来的"增量"
↓
F(x) + x ← 把原始输入直接加回来（捷径！）
↓
ReLU → 输出核心就一句：输出 = F(x) + x ，其中 x 是块的输入，F(x) 是两层卷积的变换。
多出来的这个 + x 就是那条"捷径"（shortcut）------它不学任何参数，只是把输入原样"抄近道"叠回来。
五、为什么一条捷径能救回 12 个点
这要从"深层网络训不动"说起。网络越深，反向传播时梯度逐层衰减，传到浅层几乎为 0------浅层学不动，整个网络就"退化"了（这叫梯度消失/网络退化）。
残差连接的作用恰好相反：
+x给梯度提供了一条无损的捷径通道 ，浅层也能直接收到误差信号，训得动了；- 网络因此敢加深（本项目用 5 个残差块），特征表达能力上去了，就能分得清内圈和滚动体了。
所以道理一句话：残差连接解决了"深网络训不动"的问题，而更深的网络才有更强的特征提取能力------这就是本项目从 83% 涨到 95% 的根本机制，也是你答辩时最能讲清楚的一个点。
六、两个模型的结构对比
| 层 | 1D-CNN | CNN+ResNet |
|---|---|---|
| 输入 | (1000, 2) | (1000, 2) |
| 卷积/池化 | Conv1D(64) + MaxPool | Conv1D(32)→Conv1D(64)→MaxPool |
| 残差块 | 无 | 5 个残差块 |
| 分类头 | Dense(32)→Dropout→softmax | Dense(256)→Dropout→softmax |
| 参数量 | 少 | 多 |
| 测试准确率 | ~83% | 95%+ |
注意：同样数据、同样切分、同样评估，唯一的系统差别就是"加不加残差"。控制变量做干净了，结论才有说服力------这也是论文实验设计最该学会的一课。
七、本篇小结
- 深度学习的优势：让模型自己从波形里"看特征"，不靠人工特征工程；
- CNN 浅了分不清内圈/滚动体（83%）；ResNet 用残差连接让网络加深而不退化，提到 95%+；
- 核心知识点：输出 = F(x) + x，捷径解决梯度消失；
- 两个模型完整结构与可运行脚本见同名公众号。
专栏导航
| 篇次 | 主题 | 状态 |
|---|---|---|
| 1 | 项目总览与三模型对比 | ✅ |
| 2 | 环境部署 | ✅ |
| 3 | CWRU 数据集深度解析 | ✅ |
| 4 | 数据预处理源码走读 | ✅ |
| 5 | 随机森林实战 | ✅ |
| 6 | 一维卷积与残差模块（本文） | ✅ |
| 7 | 模型训练与评估 | 排期中 |
| 8 | 可视化诊断系统 | 排期中 |
| 9 | 论文报告与答辩话术 | 排期中 |
下一篇预告：《模型训练与评估：复现全部实验结果、读懂混淆矩阵》，手把手带你跑完三个模型，并把结果变成论文里的对比表。
版权说明：CWRU 数据集版权归凯斯西储大学所有，仅限学习研究使用。