概述
LSTM（Long Short-Term Memory）是一种常用的循环神经网络（RNN），在时间序列数据处理任务中表现优秀，可用于滚动轴承故障诊断。
滚动轴承故障通常会导致振动信号的变化，这些振动信号可以被视为时间序列数据。LSTM能够捕捉时间序列之间的依赖关系，从而对滚动轴承的故障进行诊断。
LSTM模型构建：使用LSTM网络构建故障诊断模型。LSTM网络由多个LSTM层组成，每个LSTM层包含一个或多个LSTM单元。可以根据需要添加其他类型的层，如全连接层、Dropout层等。
滚动轴承故障通常会导致振动信号的变化，这些振动信号可以被视为时间序列数据。LSTM能够捕捉时间序列之间的依赖关系，从而对滚动轴承的故障进行诊断。
使用训练集对LSTM模型进行训练。训练过程中，需要定义损失函数（如均方误差）和优化算法（如随机梯度下降），并选择适当的超参数（如学习率、批大小）。
代码
t-sne训练集可视化：
请注意，这段代码用于进行 t-SNE 降维并可视化结果。它先将数据通过 t-SNE 降到二维空间，然后进行归一化处理，并在散点图上用不同颜色表示不同的类别。最后，代码测量并打印执行时间。这
