本文是《滚动轴承故障诊断》系列的第 9 篇，也是收官篇（论文与答辩）。
系列完整目录见文末【专栏导航】。本篇配套的论文框架模板、实验对比表查看博主简介。
一、前面 8 篇，你怎么变成一篇论文
代码跑通了、结果也有了，就差"把实验变成论文"这一步。别慌，论文不是文学创作，是按固定结构填内容。
毕设论文的经典骨架就七章，对应前面 8 篇的成果：
| 论文章节 | 写什么 | 对应系列篇次 |
|---|---|---|
| 摘要 | 背景 + 方法 + 结果（三段话） | 第 1 篇结论 |
| 绪论 | 研究背景、国内外现状、本文工作 | 第 1/3 篇 |
| 相关理论 | 轴承故障机理、随机森林、CNN、残差原理 | 第 5/6 篇 |
| 数据与预处理 | CWRU 数据、归一化、滑窗、均衡 | 第 3/4 篇 |
| 模型设计 | 三模型结构、训练设置 | 第 5/6 篇 |
| 实验与分析 | 指标、对比表、混淆矩阵、结果解读 | 第 7 篇 |
| 总结与展望 | 结论 + 不足 + 下一步 | — |
每一章都能在对应文章里找到"素材"，你不用从零憋，只需用自己的话组织 + 展开。
二、每章怎么写的三个要点
绪论（国内外现状）：两条线——传统方法（特征工程 + SVM/随机森林）一条，深度学习方法（CNN/ResNet/LSTM）一条。写"别人的方法不如我/我要改进"即可，引用 5~10 篇即可，别贪多。
相关理论（第 2 章）：这是全文"最讲原理"的章节，重点把第 6 篇的残差原理写透（输出 = F(x) + x、梯度消失），这是答辩的高频考点。
实验与分析（第 5 章）：全文核心，数据说话。把这套完整跑下来的对比表 + 混淆矩阵 + 训练曲线放进去，配 3 段分析话术（见下），基本就成了。
三、实验对比表（直接可用）
| 模型 | 准确率 | 内圈召回率 | 定位 |
|---|---|---|---|
| 随机森林 | ~0.73 | ~0.78 | 传统基线 |
| 1D-CNN | ~0.83 | 偏低 | 浅层网络局限 |
| CNN+ResNet | ~0.95+ | 高 | 本文方法 |
（数字以你复现的结果为准）
论文里必写的三段分析话术：
- 现象：CNN 在内圈故障（类别 1）召回率明显偏低，混淆矩阵显示部分样本被误判为滚动体故障；
- 原因：浅层 1D-CNN 特征提取能力有限，内圈冲击特征与滚动体波形存在相似性，浅网络难以区分；
- 改进验证：引入残差连接后网络可加深而不退化，特征表达增强，四类召回趋于均衡，准确率提升约 12 个百分点。
四、答辩高频 10 问与话术
| 问题 | 怎么答 |
|---|---|
| 为什么选 CWRU 数据集？ | 免费公开、业界标准、可复现对比 |
| 为什么滑窗切 1000 点？ | 一个周期约 100~200 点，取 1000 覆盖多周期、样本量大 |
| 为什么做双通道？ | DE/FE 两个位置视角互补，信息更全 |
| 为什么归一化？ | 消除转速/负载导致的幅值差异，利于训练稳定 |
| 残差为什么有效？ | 输出=F(x)+x 提供梯度捷径，深网络训得动，特征更强 |
| 换你的数据能跑吗？ | 能，按目录放数据、改类别名即可（对应第 4 篇） |
| 模型能部署到实际吗？ | 训练好导出 .h5，可用界面调用；实时监测需加采集端（展望） |
答不上的部分，统一回"展望"：
目前是离线诊断，实时在线是下一步工作——这是最安全的收尾。
五、换数据 / 换场景（答辩加分项）
答辩被问"能推广吗"时，这样接：
- 换数据：按第 4 篇目录结构放入新数据、改类别名即可，代码零改动；
- 换模型：把 CNN 换成 LSTM / Transformer 对比，是现成的研究方向（展望里写）；
- 换场景：风电齿轮箱、电机轴承等，原理相通。
能说出这几点，说明你不只是"抄代码"，而是真懂怎么迁移。
六、收官小结
- 论文 = 固定结构 + 前 8 篇素材，按章填内容即可；
- 核心说服力在实验对比表 + 三段分析话术；
- 答辩抓住"为什么选 CWRU / 残差为什么有效 / 能不能迁移"三个点基本稳了；
- 论文框架模板 + 对比表 + 答辩话术关注公众号。
专栏导航（全系列 9 篇收官）
| 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 | ✅ |
| 9 | 论文报告与答辩话术（本文） | ✅ |
全系列完结。从零环境到一篇能毕业的论文 + 一个能演示的诊断系统，到这里全部打通。
下一站预告：本系列配套的完整代码包（含 CWRU 全量数据、已训练模型、TensorBoard 日志、全部结果截图），需要的同学查看博主简介。
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；本文代码与文字为本人原创，付费专栏读者可学习使用，禁止转售。
