西储大学轴承数据一维时序方法基础测试

这篇文章主要是为了说明一个基本结论：

在单一工况下的故障分类准确率已经难以区分好的模型和方法，利用不同工况之间的直接预测，而后取均值是一种思路。

0.数据集处理方式

数据集处理方式具体见我之前的文章，这里基本的的信息就是取2048个点进行作为样本大小，样本通过滑动时间窗取值获得，步长为128，训练集、验证集、测试集的比例为7:1.5:1.5。标签处理为one-hot模式，如果用SVM就不需要了。

滑窗取值这里默认使用，后续我会单独比较和非滑窗的区别，还有一种是训练集和验证集和滑窗、测试集不滑窗取值，或者还可以只有训练集滑窗，所以还是很麻烦的，需要单独进行一次。

dataDE_A = case10.data_DE_win(650, 'A', steps=128)
dataDE_B = case10.data_DE_win(650, 'B', steps=128)
dataDE_C = case10.data_DE_win(650, 'C', steps=128)

数据用的还是DE端的，A、B、C对应0/1/2三种转速工况。

1.单工况下的测试结果

单工况下主要比较SVM、普通CNN和WDCNN的差别，三种模型代码如下：

svm.SVC(C=0.9, kernel='rbf')


def CNN_1D():
    inputs1 = Input(shape=(2048, 1))
    conv1 = Conv1D(filters=16, k