手把手教你：基于深度学习的滚动轴承故障诊断｜第 7 篇 · 模型训练与评估：复现全部结果、读懂混淆矩阵

本文是《滚动轴承故障诊断》系列的第 7 篇（训练与评估）。
系列完整目录见文末【专栏导航】。本篇的训练脚本、评估脚本与一键出图，见同名公众号。

一、训练前的最后一件事：数据划分

三个模型在训练前都做同一件事：把 5600 条样本按 7:3 分成训练集和测试集。

• 训练集（70%）：模型用来"学习"的部分；
• 测试集（30%）：模型从没见过的部分，用来检验它学得真不真。

关键点：测试集必须训练完才碰，否则就是"偷看答案"（数据泄漏），成绩会虚高、答辩经不起问。本项目固定随机种子（99），保证每次划分一模一样、结果可复现——这也是论文里"实验设置"一节必须交代清楚的地方。

二、训练过程的几个概念（面试/答辩常问）

model.fit(train_data, train_label,
          epochs=20, batch_size=16, validation_split=0.2,
          optimizer=Adam(lr), loss=sparse_categorical_crossentropy)

概念	解释	本项目
epochs	把整个训练集"过几遍"	20
batch_size	每批喂多少条样本才更新一次参数	CNN 16 / ResNet 32
optimizer	用哪个优化器调整参数	Adam
learning_rate	每次更新的步长（学太快容易乱，太慢学不完）	CNN 0.001 / ResNet 1e-4
loss	衡量"错得多离谱"的函数	稀疏交叉熵

为什么 ResNet 学习率更小（1e-4）？因为残差网络更复杂，步子迈太大会震荡不收敛，所以要"小步慢走"。这个细节写进论文，能体现你真懂。

验证集（validation_split=0.2）：从训练集里再留 20% 出来，边训练边"偷看"泛化效果——但它不参与学习，只是观察。

三、评估指标：准确率之外，还要看什么

只用准确率是不够的（尤其是类别不平衡时）。论文里通常四个指标一起上：

指标	含义	通俗版
Accuracy	全部预测对的比例	总分
Precision	说对的比例	说的没错
Recall	真样本找回的比例	没漏
F1	二者的调和平均	综合分

本项目最关键的观察点：CNN 的内圈故障召回率明显低（漏了），ResNet 把它救回来——这组对比就是论文实验章节的"题眼"。

四、混淆矩阵：一眼看出模型"哪类老认错"

混淆矩阵是个 4×4 的表格：行是真实类别，列是模型预测的类别，对角线就是"判对"的数量。

• 对角线又粗又深 → 模型靠谱；
• 某个非对角格特别大 → 模型总把 A 类错认成 B 类，这就找到了模型的具体毛病。

本项目经典案例：CNN 在"内圈→滚动体"这一格明显偏大。而 ResNet 的对角线干净整齐、四类都深——残差的价值一眼可见。答辩时指着这张图讲，比念数字有说服力十倍。

五、把结果变成论文对比表

把三个模型的指标收拢成一张表（数据来自评估脚本输出，以你自己复现的为准）：

模型	准确率	内圈召回率	论文定位
随机森林	~0.73	~0.78	传统方法基线
1D-CNN	~0.83	偏低	浅层网络局限
CNN+ResNet	~0.95+	高	本文推荐方法

配套评估脚本一键生成这张表 + 三张混淆矩阵图，直接贴论文。跑完记得把关键数字抄进自己的表格。

六、本篇小结

• 7:3 划分 + 固定种子 = 可复现；测试集绝不参与训练；
• 四个指标 + 混淆矩阵，别只看准确率；
• 内圈召回率差异是 CNN/ResNet 对比的核心，答辩常问；
• 一键出表出图：公众号「免费代码合集」→ 05 / 06 章节。

配图

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	✅
7	模型训练与评估（本文）	✅
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：《可视化诊断系统：PyQt5 搭建带界面的工具》，把训练好的模型装进一个点按钮就出结果的软件里，答辩现场演示神器。

---

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。