本次创作最主要是在MSCNN-BILSTM-ATTENTION模型（可轻松替换为其它模型）基础上，搭建GUI测试界面，方便对你想要测试的数据的进行测试，同时进行了全面的结果可视化：1.训练集和测试集的准确率曲线，2.训练集和测试集的损失曲线，3.测试集的混淆矩阵，4.测试集的特征可视化，5.测试集的预测标签与真实标签梯形图，6.测试集的分类报告。
数据集替换提示：本次使用的数据集形式在1.2.小结中有详细介绍，利用一个通道采集的数据，通过1024的长度切割为一个个样本，是故障诊断领域常用的样本形式，如有类似，可轻易替换。
先对大家比较关心的GUI界面进行调用测试样本说明（视频链接：带有GUI界面的电机故障诊断（MSCNN-BILSTM-ATTENTION模型，TensorFlow框架，有中文注释，带有六种结果可视化）_哔哩哔哩_bilibili）
第一个文件夹是测试样本
第二个文件夹是对应的测试样本真实标签类别，方便你核对模型判断结果是否正确
第一个文件夹如下图所示，每个样本就是一个表格。
每个表格里就是1024个数据，如下图所示 ，也就是说只要你随表建立一个表格，里面放相关数据的1024个数据，就可以诊断出类别。
关于背景图片和按钮框等选项都可以任意修改，已经添加中文注释，如果感觉画面布局一般，可以自己优化。
对项目感兴趣，可以关注代码框内中间一行
import pandas as pd
import numpy as np
from keras.utils import np_utils
from sklearn import preprocessing
import tensorflow as tf
from matplotlib import pyplot as plt
from MSCNN_lstm_attention import MSCNN_lstm_attention#代码和数据集压缩包：https://mbd.pub/o/bread/ZZybk5tw
import pandas as pd
import numpy as np
from keras.utils import np_utils
from sklearn import preprocessing
import tensorflow as tf
from matplotlib import pyplot as plt
from MSCNN_lstm_attention import MSCNN_lstm_attention一.数据集介绍：
1.1.电机常见的故障类型有以下几种：
-
轴承故障：轴承是电机运转时最容易受损的部件之一。常见故障包括磨损、疲劳、过热和润滑不良，这些问题可能导致噪音增加和电机性能下降。
-
绝缘老化：电机绝缘材料随着使用时间的增加会老化，失去绝缘性能，导致绝缘击穿和电机短路。
-
绕组故障：电机的绕组可能出现短路、开路或者匝间故障，这些故障会导致电机失去正常运转能力。
-
电刷磨损：对于一些直流电机，电刷是关键部件，其磨损会导致电刷与集电环之间的接触不良，影响电机性能。
-
过载和过热：电机长时间运行在超过额定负载或者额定温度的情况下，会导致电机过热，进而加速其它故障的发生。
-
风扇故障：风扇是电机散热的重要组成部分，若风扇故障导致散热不良，电机温度升高，从而加剧其它故障。
-
不良环境：如果电机运行环境恶劣，如潮湿、灰尘多、腐蚀性气体等，会加速电机故障的发生。
-
频率变化：对于变频驱动的电机，频率的变化可能导致电机在某些转速下共振，损坏电机。
以上仅列举了一些常见的电机故障类型，实际情况还可能会更加复杂。
1.2.数据集介绍（经过上面的电机常见故障分析，这里针对轴承部位故障，绕组故障等情况采集数据）
正常电机的采集数据：（3个通道采集振动信号，3个通道采集电压信号）
正常电机下一共采集362941行数据
其它故障状态下分别采集了140801行数据左右 ，因为现实中故障数据相比正常数据难以获得，所以实验室里采集的正常电机的信号比故障下的信号要多。
2.模型
首先经过尝试，发现第3个振动通道采集的数据对故障更加敏感，这里只选用了第3个振动通道采集的数据作为特征信号。经过不重叠样本（1024的长度）切割，生成样本个数如下
正常:354个样本。
断条：137个样本
偏心：113个样本
匝间短路：105个样本
轴承内圈：118个样本
轴承外圈：104个样本
模型打印
3.结果可视化
3.1.训练集和测试集的准确率曲线，
3.2.训练集和测试集的损失曲线，
3.3.测试集的混淆矩阵（以准确率形式呈现）
3.4.测试集的特征可视化，
3.5.测试集的预测标签与真实标签梯形图，
3.6.测试集的分类报告。
