1. 项目背景与核心挑战
离心泵作为工业流体输送系统的核心设备,其滚动轴承的健康状态直接影响整个机组的运行可靠性。传统基于振动信号的故障诊断方法存在三个显著痛点:首先,不同型号泵组的轴承振动特征存在明显差异;其次,实际工况中获取的故障样本往往数量有限且类别不均衡;最重要的是,现场工程师需要具备专业的信号处理知识才能准确判断故障类型。
我们采用的DL00358实验数据集包含来自6种不同型号离心泵的轴承振动数据,采样频率为12.8kHz,涵盖正常状态和5种典型故障(内圈损伤、外圈损伤、滚动体损伤、保持架断裂以及复合故障)。这个数据集的特殊之处在于,每种故障类型在不同泵型上的表现存在显著差异,这正是传统诊断模型准确率难以突破70%的根本原因。
关键发现:在初步实验中,直接将某型号泵的训练模型迁移到其他泵型时,分类准确率平均下降达43.2%,说明域偏移(domain shift)问题非常严重。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 迁移学习方案设计
2.1 模型架构选型
基于振动信号的时频特性,我们对比了三种主流架构:
- ResNet-18:在ImageNet预训练权重基础上,将输入通道改为1(单通道振动信号)
- 1D-CNN:专为时序信号设计的4层卷积网络
- Transformer:采用Patch Embedding处理振动序列
实测结果表明,使用COCO预训练权重的ResNet-18在迁移性能上表现最优。这是因为:
- 轴承故障在时频图中的局部特征与自然图像中的边缘纹理具有相似性
- 深层网络的低级特征提取能力已经通过大规模预训练得到充分优化
- 相比从零训练的1D-CNN,微调(Fine-tuning)所需样本量减少60%
2.2 关键改进点
针对离心泵轴承的特殊性,我们做了以下改进:
- 时频图生成:采用连续小波变换(CWT)而非STFT,母小波选用Morlet,尺度参数a=0.5-2.0
python复制import pywt scales = np.arange(1, 129) cwtmatr, _ = pywt.cwt(signal, scales, 'morl') - 域自适应模块:在FC层前加入MMD损失,计算公式:
code复制MMD(
