1.一种面向轴承故障识别的CNN模型可视化优化方法，其特征在于，其包括以下步骤：S1、将轴承故障试验台的振动加速度传感器用磁性底座粘到电机壳体的驱动端和风扇端的第一位置，通过振动加速度传感器采集测试轴承在不同状态下，电机壳体的驱动端和风扇端的振动加速度信号数据；

S2、对步骤S1采集的轴承振动加速度信号数据做预处理，并划分为训练集、测试集和验证集；

S21、对步骤S1采集的轴承振动加速度信号数据在用于训练模型的轴承故障数据的总体上进行归一化；

S22、通过时间随机映射与分布映射函数在轴承振动加速度信号数据的时间序列指标集上生成伪随机数，将该伪随机数作为后续图像分割的初始点；

S23、设计一个防止样本重复度过高的过滤器，对步骤S22获得的轴承振动加速度信号数据样本进行过滤筛选；

S24、将步骤S23得到的过滤筛选样本，通过相关程序将样本的一维时间序列转化为二维时间序列图像；

S25、通过灰度图像的阈值进行像素选择，将步骤S24得到的图像转换为灰度图像；

S26、按7:2:1的比例将步骤S25得到的轴承振动加速度信号数据的图像划分为训练集、测试集和验证集，并为每个数据集配上相应的标签；

S3、搭建轴承故障识别CNN模型，并初始化，将样本图像与标签作为训练样本来训练完整的卷积神经网络模型，并记录完整的卷积神经网络模型中各层相关参数和超参数信息；

S31、构建单层卷积神经网络的结构：S311、设输入图像为xij和滤波器为fpq，获得得卷积层的二维卷积表达式为：式中，xij为输入图像矩阵，yij为输出多维向量，i与j均为像素位置坐标，坐标以图像左上角为原点，向右为正且为坐标第一元，向下为正且为坐标第二元建立，坐标范围为1≤i≤M，1≤j≤N；fpq为滤波器，p与q均为滤波器的元素位置坐标，坐标以图像左上角为原点，向右为正且为坐标第一元，向下为正且为坐标第二元建立，坐标范围为1≤p≤m，1≤q≤n，通常情况下m，n都远远小于M，N；

S312、首先将r‑1层的输入与r层卷积核进行卷积运算，然后将r层输出的卷积结果加上偏置b经过激活函数F进行激活，最后再进行池化运算，具体表达式如下：(k) (k‑1)

式中， 代表卷积运算，w 是第k层卷积核的权重参数，b为偏置，a 为第k‑1层单层卷积神经网络输出；

S32、将S31中构建的单层卷积神经网络进行堆叠，构成四层卷积神经网络，并在底层接入一层全连接层与一层最大平滑层，构成完整的卷积神经网络模型；

S33、利用反向传播算法BP对步骤S32得到的完整的卷积神经网络模型进行训练，得到深度学习模型：

S331、将输入数据从完整的卷积神经网络模型的输入层进入，经过模型映射至输出层，并将结果输出；

S332、定义一个具有真实分类标签和模型预测结果差异量化函数的损失函数，损失函数的值越小，表明预测值与真实值的差异越小，具体表达式为：式中，y是该样本的真实类标，是模型的预测结果；

S333、使用下采样小样本批次Mini‑batch的随机梯度下降方法对完整的卷积神经网络模型的参数进行更新，对于完整的卷积神经网络中第k层参数的具体表达式为：(k) (k)

W ，b                   (4)(k) (k)

式中，W 是第k层卷积核的权重参数矩阵、是卷积核中的所有权重的集合，b 为第k层偏置、是一个可训练的常数；

求取损失函数对完整的卷积神经网络模型中第k层参数的偏导数，具体表达式为：(k)

式中， 为完整的卷积神经网络模型损失函数，W 是第k层卷积核的权重参数矩(k)

阵，是卷积核中的所有权重的集合，b 为第k层偏置；

对于完整的卷积神经网络中第k层的输出如式(2)所示，由链式法则得如下公式：(k)

式中， 为完整的卷积神经网络模型损失函数，W 是第k层卷积核的权重参数矩(k) (k)

阵，是卷积核中的所有权重的集合，b 为第k层偏置，a 为第k层单层卷积神经网络输出；

通过公式(6)和(7)，完整的卷积神经网络模型从输出层到输入层逐层依次进行参数更新，参数会随着每一次训练更新，直到达成终止条件；

根据上述分析，损失函数由交叉熵构成，损失函数的具体表达式如下：式中，yn为第n个样本的实际状态， 是模型的预测状态，θ为模型训练参数，是式(4)或者其他可训练参数；

S34、在每一次进行步骤S33之前，使用dropout算法将步骤S32中得到的卷积神经网络(k) (k)

按一定比例随机忽略部分卷积核w 和偏置b ，被忽略的卷积核将不参与这一次S33中的参数训练过程；

S35、当训练结果达到提前终止条件，则结束训练；否则，运行至指定训练次数后终止训练；

S36、记录每次训练过程中各层相关参数和超参数的信息；

S4、将轴承故障识别CNN模型可视化，并对可视化模型结果进行分析评估，并依照优化方法优化模型结构；

(k) (k)

S41、将完整的卷积神经网络模型中各层网络的权重w 与偏置b 通过油液采样法对网络进行采样统计；

S42、通过对完整的卷积神经网络模型的4维张量进行切片重构，使完整的卷积神经网络模型中激活层展示为常见的灰度图像；

S43、对步骤S33得到的深度学习模型进行求逆，并将训练得到的深度学习模型的输出作为反卷积模型的输入，得到原学习模型的输入数据，整体反卷积网络将根据原卷积网络结构反向重建，单层反卷积网络构建过程具体如下：反卷积网络的卷积核是原网络卷积核的转置，具体公式如下：T

Wre＝W                          (9)式中，W是卷积网络卷积核权重；

反激活函数为原激活函数的反函数，公式如下：‑1

Fre＝F                          (10)式中，F为式(2)中的激活函数；

将原网络的第r层的结果进行反向池化，逆激活函数激活，与反卷积核进行卷积得到r‑

1层结果；

S44、对完整的卷积神经网络模型进行可视化分析评估和优化。

2.根据权利要求1所述的面向轴承故障识别的CNN模型可视化优化方法，其特征在于，步骤2中轴承振动加速度信号数据做预处理的流程包括：全局归一化、随机初始点截取、移除高重复度样本、时间序列图像化、图像灰度化、灰度二值化和图像尺寸规整。

3.根据权利要求1所述的面向轴承故障识别的CNN模型可视化优化方法，其特征在于，步骤S25中灰度图像的灰度范围为0到255，再转换为二值灰度图像，并且将原有图像的尺寸放缩为正方形。

4.根据权利要求1所述的面向轴承故障识别的CNN模型可视化优化方法，其特征在于，在步骤S31中，单层卷积神经网络，其包括卷积层、激活层和池化层，并按序依次排列。

5.根据权利要求1或者4所述的面向轴承故障识别的CNN模型可视化优化方法，其特征在于，在步骤S36中，所述相关参数包括：各个层的激活层输出结果、卷积核的权重、偏置和最大池化位置；所述超参数包括：各层卷积核个数、卷积核尺寸、卷积方式、激活函数类型和网络输出结果尺寸。

6.根据权利要求1所述的面向轴承故障识别的CNN模型可视化优化方法，其特征在于，在步骤S4中，模型的可视化，其包括参数可视化、激活层可视化和反卷积可视化，所述反卷积可视化的方法由原卷积网络参数与超参数决定。

7.根据权利要求1或者6所述的面向轴承故障识别的CNN模型可视化优化方法，其特征在于，步骤S44的优化方法分为两种：第一种是通过调整完整的卷积神经网络模型的结构参数，寻找合适的结构，从而找到训练成本与训练效果之间的平衡点；第二种是根据轴承故障振动时间序列图像中的波形和条纹信息，强化目标图像与背景之间的对比度；同时当进行更加复杂的分类任务时，利用局部采集和复合输入的方式或者更深层次的网络，增加输入步骤3中神经网络的特征和细节，为神经网络的分类提供更多的分类依据。

8.根据权利要求1所述的面向轴承故障识别的CNN模型可视化优化方法，其特征在于，所述下采样小样本批次随机梯度下降方法是随机梯度下降SGD和批量梯度下降BGD的折中，其中参数θ的迭代方式如下：

(i) (i) (i) (i)式中，l(θt；x ，y )是网络的损失函数，x ，y 为样本。