手把手教你：基于深度学习的滚动轴承故障诊断｜第 8 篇 · 可视化诊断系统：PyQt5 搭建带界面的工具

本文是《滚动轴承故障诊断》系列的第 8 篇（可视化界面）。 系列完整目录见文末【专栏导航】。本篇的可运行界面脚本（gui_app.py）与内置预训练模型，见公众号。

一、为什么值得做一个"界面"

模型训出来了，准确率 95%，然后呢？

如果只能写代码调 API，评委老师看不出价值；但如果有一个点按钮就出结果的小软件，答辩现场演示一遍，观感完全不同。

可视化界面的意义不止"好看"：

1. 把模型"产品化"：普通人也能用，不只是程序员；
2. 答辩加分项：现场选一个文件、点一下、出诊断结果，比空讲有说服力；
3. 验证实用价值：证明这套模型能"落地"到真实场景，而不只是论文里的数字。

二、界面要做什么（功能拆解）

先想清楚需求，再动手写。我们的诊断工具就三件事：

选一个数据文件 → 选一个模型 → 一键诊断出结果

• 选文件：挑一个 CWRU 的 .mat（或者你自己的数据）；
• 选模型：随机森林 / 1D-CNN / CNN+ResNet 三选一；
• 一键诊断：上方波形图 + 下方诊断结论（类别、置信度、各窗口投票分布）。

界面虽小，但覆盖了"从数据到结论"的完整链路，麻雀虽小五脏俱全。

三、技术选型：为什么 PyQt5 + matplotlib

• PyQt5：Python 做桌面界面最成熟的选择，控件齐全（按钮、下拉框、文件对话框），跨平台；
• matplotlib：把振动波形画出来，和 Qt 界面无缝嵌合（FigureCanvas）；
• 两者都在第 2 篇的环境里装好了，无需额外配置。

它只是个"壳"：核心还是前面几篇训好的模型。界面负责把模型"包装"得好看好用。

四、核心逻辑：滑窗预测 + 多数投票

界面背后复用了第 4、7 篇的核心逻辑，但不重复造轮子：

读取 .mat → 取 DE/FE → 归一化 → 切成若干 1000 点窗口
   → 每个窗口丢给模型投一票 → 多数投票得最终诊断

• 一条信号切成很多窗口，每个窗口单独预测一次；
• 最后统计哪个类别票最多，就是最终结论；
• 窗口数较多时界面会限制数量（本项目上限 100 个），保证点一下秒出结果，不卡顿。

这样一个"小"逻辑，把前面所有章节串起来了——预处理、模型、评估，全在这一按里。

五、效果与演示流程（答辩用）

演示建议三连：

1. 选一个"内圈故障"文件（如 105.mat）→ 出"内圈故障"；
2. 换"正常"文件（97.mat）→ 出"正常"；
3. 切到 CNN 模型试内圈文件 → 偶尔会认错，再切回 CNN+ResNet → 又对了。

第三步那一下"对比"，就是残差价值的最好展示，也是答辩的高光时刻。

六、本篇小结

• 界面 = PyQt5 壳 + 已训练模型 + 滑窗投票逻辑；
• 三连演示（内圈→正常→模型切换）是最有说服力的答辩流程；
• 完整源码 + 预训练模型 + 操作手册见公众号。

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	✅
8	可视化诊断系统（本文）	✅
9	论文报告与答辩话术	排期中

---

下一篇预告：《从代码到毕业设计：论文框架、实验表与答辩话术》，全系列收官，帮你把这 8 篇的知识打包进一篇能毕业的论文。

---

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。