微分几何在机械故障诊断中的Python实践

1. 项目概述：当微分几何遇上机械故障诊断

十年前我第一次接触旋转机械故障诊断时，绝不会想到微分几何能成为解决振动信号分析难题的利器。传统方法依赖傅里叶变换和时频分析，就像用放大镜观察模糊的照片，而引入仿射不变性、复流形等几何工具后，我们突然拥有了核磁共振成像般的透视能力。

这个Python实现的项目核心在于：将振动信号的高维特征空间视为具有特定几何结构的流形，通过芬斯勒度量捕捉非线性特征，再借助子流形嵌入实现故障模式的可视化分离。就像给机械振动信号绘制了一幅"几何地图"，不同故障类型会自然聚集在不同区域。

2. 核心数学工具解析

2.1 仿射不变性的工程意义

在轴承振动分析中，负载变化会导致信号幅值整体缩放，这正是仿射变换的典型表现。我们采用对数-极坐标变换实现幅值-尺度解耦：

python复制def affine_invariant_transform(signal):
    """将原始信号转换为仿射不变特征"""
    analytic_signal = hilbert(signal)  # 希尔伯特变换获取解析信号
    instantaneous_amplitude = np.abs(analytic_signal)
    instantaneous_phase = np.unwrap(np.angle(analytic_signal))
    
    # 对数幅值处理
    log_amplitude = np.log(instantaneous_amplitude + 1e-12)
    return np.column_stack((log_amplitude, instantaneous_phase))

关键技巧：添加1e-12避免对数运算溢出，相位解卷绕(unwrap)保证连续性

2.2 复流形结构的构建方法

振动信号的时频分布本质是二维流形。我们通过以下步骤构建复流形：

1. 计算短时傅里叶变换(STFT)获得时频矩阵
2. 对每个时频点赋予复数坐标：z = a + jω
3. 用Kähler度量定义流形上的距离：

python复制def kahler_metric(z1, z2):
    """定义复流形上的Kähler度量"""
    dz = z1