基于小波变换与MobileNetV3的工业故障诊断系统实现

1. 项目概述：基于小波变换与MobileNetV3Small的故障诊断系统

这个项目实现了一个完整的轴承故障诊断流程：从原始振动信号采集、小波时频分析到深度学习模型训练，最终通过GUI界面呈现八种可视化结果。核心创新点在于将传统信号处理方法与现代轻量级深度学习模型相结合，在江南大学提供的工业设备数据集上验证了方案的可行性。

江南大学数据集包含三菱SB-JR型离心通风机的齿轮箱振动数据，采样频率12kHz，涵盖正常状态和七种典型故障类型（如内圈裂纹、外圈剥落等）。原始数据以CSV格式存储，每列对应不同传感器的时域信号。这种结构化存储方式既保留了原始波形细节，又便于Python标准库（如pandas）直接处理。

关键设计选择：采用MobileNetV3 Small而非ResNet等大型模型，主要考虑工业现场部署时对实时性和计算资源的严苛要求。实测在Jetson Nano开发板上，该模型推理速度可达23FPS，满足在线监测需求。

2. 数据预处理与特征工程

2.1 CSV数据解析与清洗

使用pandas的read_csv()加载数据时需特别注意参数配置：

python复制import pandas as pd
raw_data = pd.read_csv('JNU_bearing_data.csv', 
                      header=None,  # 该数据集无列名
                      dtype=np.float32,  # 节省内存
                      skiprows=1)  # 跳过说明行

常见数据质量问题及处理方案：

1. 缺失值：工业传感器偶尔断连会产生NaN，采用前后均值插补：

   python复制raw_data.fillna(method='ffill', inplace=True)
   raw_data.fillna(method='bfill', inplace=True) 
   

2. 异常值：使用3σ原则检测并替换：

   python复制mean, std = raw_data.mean(), raw_data.std()
   raw_data = raw_data.