参数设置和注意：

1、单个连续小波变换样本长度为2048；

2、每种故障类型样本总量为150个，四种即600个；

3、代码自动拾取每个mat文件中含有time的变量个数，并且平均从中抽取等量等样本，以97.mat文件为例，含有变量X097_DE_time和X097_FE_time两个变量，所以每个变量分别提取150/2=75个样本。值得注意是，需要预先根据不同mat内数据情况，选择合适的count值，在105.mat、118.mat、130.mat中分别含有3个带time的变量，这导致count的数量需要为3的整倍数，同时也是要2的整倍数（97.mat的缘故），请各位读者理解一下哈！

4、如果想看每一步的连续小波图像，可以在38行（axis off;）设置断点。

5、如果运行测试，请一定注意修改路径，即file_path变量。

上图为97.mat的X097_DE_time的一个样本的连续小波变换的图像。从图像中能发现，在1000Hz出有周期性的频率成分出现。

为了加速后续CNN的训练过程，降低CNN网络参数的规模，方便大家快速地理解这个流程。我将CWT的图像进行了缩放，上图为缩小后的图片。虽然丢失了一些信息，但图片从原先560*420*3变为了150*100*3，大小缩小了94%，这个能简省大量时间，我也是在调试代码时发现了。而且从后续智能诊断结果看出，压缩后的信息依然能用于区分不同故障模式。

%% 基于卷积神经网络的滚动轴承智能诊断方法
%% 作者：冷漠
%% 时间：2024年4月16日
%% 关注公众号 ："故障诊断与寿命预测工具箱",每天进步一点点
%% 第二个主程序  利用已时频图，搭建卷积神经网络，识别滚动轴承的失效模式
clc
clear all
close all
%% 读取数据
digitDatasetPath = ['D:\我的文档\硕士\信息\副业\公众号\公众号\' ...
    '20240416基于卷积神经网络的滚动轴承智能诊断方法\' ...
    '20240416基于卷积神经网络的滚动轴承智能诊断方法\data'];   %不同失效模式的根文件夹路径
imds = imageDatastore(digitDatasetPath,'IncludeSubfolders',true,'LabelSource','foldernames');
%% 展示一些图片
figure;
perm = randperm(600,20);
for i = 1:20
    subplot(4,5,i);
    imshow(imds.Files{perm(i)});
end
% 计算每个类别的图像数量
labelCount = countEachLabel(imds)
% 计算每个图片的大小
img = readimage(imds,1);
size(img)
% 划分数据集为训练集和测试集
[imdsTrain,imdsTest] = splitEachLabel(imds,0.8,'randomized');  %训练集和测试集按照8：2的方式随机划分 随机抽取
​
%% 卷积神经网络
inputSize = size(img);   %根据size(img)的打印结果确定
numOutput = size(labelCount,1);
​
layers = [
    imageInputLayer(inputSize,'Normalization','zscore','Name','input')
    
    convolution2dLayer([3,3],32,'Padding','same','Name','conv1')
    batchNormalizationLayer('Name','BN1')
    reluLayer('Name','relu1')
    
    maxPooling2dLayer(2,'Stride',2,'Name','maxpool1')
    
    convolution2dLayer([3,3],64,'Padding','same','Name','conv2')
    batchNormalizationLayer('Name','BN2')
    reluLayer('Name','relu2')
    
    maxPooling2dLayer(2,'Stride',2,'Name','maxpool2')
    
    convolution2dLayer([3,3],128,'Padding','same','Name','conv3')
    batchNormalizationLayer('Name','BN3')
    reluLayer('Name','relu3')
    maxPooling2dLayer(2,'Stride',2,'Name','maxpool3')
​
    fullyConnectedLayer(128,'Name','fc1')
    fullyConnectedLayer(64,'Name','fc2')
    fullyConnectedLayer(numOutput,'Name','output')
    softmaxLayer('Name','softmaxLayer')
    classificationLayer];
​
maxEpochs = 20;
miniBatchSize_test = 1;
MiniBatchSize= 32;
figure
plot(layerGraph(layers));  %网络结构
​
options = trainingOptions('adam', ...
    'InitialLearnRate',0.01, ...
    'MaxEpochs',maxEpochs, ...
    'MiniBatchSize',MiniBatchSize,...
    'Shuffle','every-epoch', ...
    'ValidationData',imdsTest, ...           %我这里没有划分验证集，直接用测试集，时刻关注识别结果
    'ValidationFrequency',20, ...
    'Verbose',false, ...
    'Plots','training-progress');
​
net = trainNetwork(imdsTrain,layers,options);

​%% 测试
YPred = classify(net,imdsTest);
YTest = imdsTest.Labels;
​
accuracy = sum(YPred == YTest)/numel(YTest);  %识别准确率
figure
confusionchart(YTest,YPred,'ColumnSummary','column-normalized', ...
    'RowSummary','row-normalized')  %混淆矩阵

​从图中能所搭建的CNN网络的分类效果达到了100%。其中，根据第一步中的mat_order_name变量可知，1、2、3、4分别对应着97.mat、105.mat、118.mat、130.mat，即正常、内圈故障、滚动体故障、外圈。

第四步：利用TSNE可可视化分析方法，分析训练集的聚类聚类效果。一般情况下，看测试集的聚类效果，这个大家根据自己的理解，修改代码就行。具体代码如下

%% 网络聚类结果可视化
rng default
LayerName1 = "maxpool1";
LayerName2 = "maxpool2";
LayerName3 = "maxpool3";
LayerName4 = "softmaxLayer";
LayerActivations1 = activations(net,imdsTrain,LayerName1,"OutputAs","rows");
LayerActivations2 = activations(net,imdsTrain,LayerName2,"OutputAs","rows");
LayerActivations3 = activations(net,imdsTrain,LayerName3,"OutputAs","rows");
LayerActivations4 = activations(net,imdsTrain,LayerName4,"OutputAs","rows");
layer_tsne1 = tsne(LayerActivations1,'Distance','euclidean');
layer_tsne2 = tsne(LayerActivations2,'Distance','euclidean');
layer_tsne3 = tsne(LayerActivations3,'Distance','euclidean');
layer_tsne4 = tsne(LayerActivations4,'Distance','euclidean');
​
​
markerSize = 7;
figure(Position=[100 100 900 600]);
​
subplot(2,2,1);
gscatter(layer_tsne1(:,1),layer_tsne1(:,2),imdsTrain.Labels, [],'.',markerSize);
title("maxpool1 layer");
legend('Location','eastoutside');
​
subplot(2,2,2);
gscatter(layer_tsne2(:,1),layer_tsne2(:,2),imdsTrain.Labels, [],'.',markerSize);
title("maxpool2 layer");
legend('Location','eastoutside');
​
subplot(2,2,3);
gscatter(layer_tsne3(:,1),layer_tsne3(:,2),imdsTrain.Labels, [],'.',markerSize);
title("maxpool3 layer");
legend('Location','eastoutside');
​
subplot(2,2,4);
gscatter(layer_tsne4(:,1),layer_tsne4(:,2),imdsTrain.Labels, [],'.',markerSize);
title("softmax layer");
legend('Location','eastoutside');

​

上图分别展示了已训练的网络，分别在maxpool1层、maxpool2层、maxpool3层和softmaxLayer层的TSNE可视化结果。从图中能发现，随着网络的不断加深，不同类别的特征之间距离变大，同类别特征之间距离减小，这表明了CNN网络分类的可行性。

（有兴趣的效果伙伴可以试一试直接用CNN网络进行端（采集端，不进行信号处理和分析）到端（诊断端）的智能诊断，后续根据大家情况写一期。）