从零构建CNN模型：TensorFlow 1.x实战西储大学轴承故障诊断

轴承故障诊断是工业设备健康管理的重要环节。传统的振动信号分析方法依赖人工特征提取，而深度学习技术能够自动学习信号特征，显著提升诊断效率。本文将带您从零开始，使用TensorFlow 1.x和Keras构建一个完整的1D-CNN模型，处理西储大学的.mat格式振动数据。

1. 环境配置与数据准备

1.1 开发环境搭建

对于TensorFlow 1.x项目，环境配置需要特别注意版本兼容性。推荐使用conda创建隔离的Python环境：

bash复制conda create -n tf1_env python=3.7
conda activate tf1_env
pip install tensorflow==1.15.0 keras==2.3.1 h5py==2.10.0 scipy==1.2.1

关键库版本说明：

注意：TensorFlow 1.x与2.x在API设计上有显著差异，本文所有代码均基于1.x版本实现。

1.2 数据加载与探索

西储大学轴承数据集包含多种故障状态下的振动信号，存储为.mat格式。我们先了解数据结构：

python复制from scipy.io import loadmat
import numpy as np

def load_mat_file(filepath):
    """加载单个.mat文件并提取振动信号"""
    data = loadmat(filepath)
    for key in data.keys():
        if 'DE' in key:  # DE表示驱动端振动数据
            return data[key].ravel()
    raise ValueError("未找到振动信号数据")

典型的数据结构特征：

• 采样频率：12kHz（每秒12000个数据点）
• 信号长度：通常包含多个旋转周期的振动数据
• 故障类型：包括内圈故障、外圈故障、滚动体故障等

2. 数据预处理流程

2.1 信号切片与增强

原始振动信号通常很长，需要切分为适合CNN处理的片段：

python复制def slice_signal(signal, window_size=864, step=28):
    """将长信号切分为固定长度的片段"""
    slices = []
    for start in range(0, len(signal)-window_size, step):
        slices.append(signal[start:start+window_size])
    return np.array(slices)

数据增强技巧：

• 随机切片：从不