TransBearingDiag

TransBearingDiag 是一个用于滚动轴承信号分析的深度学习项目，支持：

• 源域训练
• 目标域无标签数据处理
• 迁移学习（卷积迁移）
• 卷积特征可视化

项目主要流程包括：

1. 源域数据训练
2. 目标域无标签数据处理与分帧
3. 卷积迁移学习训练目标域模型
4. 卷积特征提取与可视化

---

目录结构

---

功能模块概述

1️⃣ 源域训练（Source Domain Training）

功能：对已有标签的源域数据训练 CNN1D，并保存模型权重。

处理步骤：

1. 加载源域数据

   • 从 train_val_test_split.pkl 中读取训练集、验证集、测试集及标签。

2. 标签编码

   • 使用 LabelEncoder 编码字符串标签为整数。
   • 输出类别映射，如 {‘正常’: 0, '内圈故障':1, '外圈故障':2}。
   • 转换为 torch.Tensor。

3. 数据加载器

   • 使用 DataLoader 构建训练、验证和测试集。

4. CNN1D 模型结构

   • 输入：1D 信号（单通道）
   • 卷积层：Conv1d -> ReLU -> Conv1d -> ReLU -> MaxPool -> Conv1d -> ReLU -> MaxPool
   • 全连接层：Linear -> ReLU -> Linear -> 输出类别数
   • 动态计算卷积输出尺寸，确保全连接层输入匹配。

5. 模型训练

   • 损失函数：交叉熵
   • 优化器：Adam
   • 输出每个 epoch 平均损失

6. 模型保存

   • 卷积层权重：model_src.pth
   • 完整模型：full_model_src.pth

---

2️⃣ 目标域无标签数据处理（Target Domain Unlabeled Data）

功能：读取目标域原始信号，分帧处理，为迁移学习做准备。

处理步骤：

1. 读取目标域 .mat 文件

   • 提取信号，堆叠成 X_target_raw。

2. 划分训练/验证/测试集

   • 比例：训练 64%，验证 16%，测试 20%。

3. 数据分帧

   • 使用函数 split_signal(data, frame_len=128, step=64)
   • 输出：X_train_tgt_frames, X_val_tgt_frames, X_test_tgt_frames

4. 数据保存

   • 使用 joblib.dump 保存为 target_data.pkl

5. 构建 DataLoader

   • 定义 TargetDataset 类
   • 支持批训练

---

3️⃣ 卷积迁移学习（Transfer Learning）

功能：使用源域训练好的卷积层作为特征提取器，迁移到目标域无标签数据进行自监督训练。

处理步骤：

1. 加载源域卷积层权重

   • 仅卷积层权重 model_src.pth，全连接层随机初始化。

2. 构建目标域 CNN1D 模型

   • 冻结卷积层：requires_grad=False
   • 微调：解冻部分卷积层

3. 目标域训练（无标签）

   • 损失函数：L2 自监督损失 loss = mean(outputs ** 2)
   • 优化器：Adam
   • 保存模型：
     • 权重：model_tgt_notags.pth
     • 完整模型：full_model_tgt_notags.pth

---

---

安装依赖

pip install -r requirements.txt