1. 滚动轴承故障诊断的技术背景
作为一名长期从事机械故障诊断的工程师，我见证了从传统信号处理到深度学习的技术演进。滚动轴承作为旋转机械的核心部件，其故障诊断一直是工业界的痛点问题。传统方法主要依赖专家经验提取特征，再结合支持向量机等分类器进行判断。这种方法在简单工况下表现尚可，但在复杂多变的工作环境中往往力不从心。
近年来，深度学习技术为这一领域带来了革命性变化。特别是多模态数据融合的思路，通过结合不同维度的信号特征，显著提升了诊断准确率。我在实际项目中测试过多种方案，发现双路神经网络架构在轴承故障诊断中展现出独特优势。
2. 数据准备与预处理
2.1 数据集选择要点
在轴承故障诊断领域，公开数据集的质量直接影响模型效果。经过多次对比测试，我总结了几个关键选择标准：
-
凯斯西储大学数据集：这是业内公认的基准数据集，包含不同负载、转速下的轴承故障数据。其优势在于：
- 故障类型全面（内圈、外圈、滚动体故障）
- 采样频率高（12kHz/48kHz）
- 包含从轻微到严重的多级故障
-
东南大学数据集：特别适合研究变工况场景，包含：
- 转速渐变情况下的振动数据
- 复合故障样本
- 带噪声的真实工业环境数据
-
江南大学数据集：优势在于：
- 同时提供振动和温度信号
- 包含轴承全寿命周期数据
- 适合研究早期微弱故障
提示：新手建议从凯斯西储数据集入手，其标注规范且文档完善。东南大学数据集更适合有变工况需求的进阶研究。
2.2 数据预处理实战技巧
原始振动信号通常需要以下处理流程：
- 降噪处理：
python复制from scipy.signal import butter, filtfilt
def butter_lowpass_filter(data, cutoff_freq, fs, order=5):
nyq = 0.5 * fs
normal_cutoff = cutoff_freq / nyq
b, a = butter(order, normal_cutoff, btype='low', analog=False)
y = filtfilt(b, a, data)
return y
这个巴特沃斯低通滤波器能有效去除高频噪声，关键参数选择：
cutoff_freq：通常设为轴承特征频率的3-5倍order：过高会导致相位失真，5-6阶为宜
- 样本分割策略：
- 固定长度滑动窗口（推荐2048点/窗）
- 50%重叠率保证样本连续性
- 异常样本剔除（使用峰峰值阈值法）
3. 时频分析算法深度解析
3.1 短时傅里叶变换(STFT)优化实践
STFT的核心参数配置直接影响时频分辨率：
python复制from scipy.signal import stft
f, t, Zxx = stft(signal,
fs=12000, # 采样率
window='hann', # 窗函数
nperseg=256, # 段长度
noverlap=192, # 重叠点数
nfft=512) # FFT点数
参数选择经验：
nperseg：通常取采样率的1/50~1/100noverlap：推荐75%重叠率- 窗函数：汉宁窗(hann)在多数场景表现最佳
实际项目中，我发现STFT对中高频故障敏感，但对低频特征分辨率不足。这时可以尝试以下改进：
- 分段可变窗长策略
- 结合Teager能量算子增强瞬态特征
3.2 小波变换实战技巧
连续小波变换(CWT)代码示例：
python复制import pywt
scales = pywt.frequency2scale('cmor1.5-1.0',
[100, 500, 1000]) # 关键频率对应尺度
coef, freqs = pywt.cwt(signal, scales, 'cmor1.5-1.0', sampling_period=1/12000)
小波选择建议：
- 冲击型故障：'db4'/'db8'
- 磨损类故障：'sym8'
- 复合故障：'cmor'复小波
我在处理早期微弱故障时，发现以下技巧很有效：
- 多尺度熵特征融合
- 小波包能量谱分析
- 最优小波基选择算法
4. 双路神经网络架构设计
4.1 网络结构优化方案
改进版双路网络结构代码：
python复制class EnhancedDualPathNet(nn.Module):
def __init__(self, num_classes):
super().__init__()
# 信号通路
self.signal_path = nn.Sequential(
nn.Conv1d(1, 32, 11, padding=5),
nn.BatchNorm1d(32),
nn.ReLU(),
nn.MaxPool1d(4),
nn.Conv1d(32, 64, 7, padding=3),
nn.BatchNorm1d(64),
nn.ReLU(),
nn.MaxPool1d(4)
)
# 图像通路
self.image_path = nn.Sequential(
nn.Conv2d(1, 32, (5,5), padding=2),
nn.BatchNorm2d(32),
nn.ReLU(),
nn.MaxPool2d(2),
nn.Conv2d(32, 64, (3,3), padding=1),
nn.BatchNorm2d(64),
nn.ReLU(),
nn.MaxPool2d(2)
)
# 特征融合
self.fusion = nn.Sequential(
nn.Linear(64*128 + 64*32*32, 512),
nn.Dropout(0.5),
nn.ReLU(),
nn.Linear(512, num_classes)
)
def forward(self, x_sig, x_img):
x_sig = self.signal_path(x_sig)
x_img = self.image_path(x_img)
x_sig = x_sig.view(x_sig.size(0), -1)
x_img = x_img.view(x_img.size(0), -1)
x = torch.cat((x_sig, x_img), dim=1)
return self.fusion(x)
关键改进点：
- 增加批归一化层加速收敛
- 使用更深的卷积结构提升特征提取能力
- 添加Dropout防止过拟合
4.2 模型训练技巧
-
损失函数选择：
- 类别不平衡时用Focal Loss
- 多标签分类用BCEWithLogitsLoss
-
学习率调度：
python复制scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(
optimizer,
mode='max', # 监控指标方向
factor=0.5, # 衰减系数
patience=3, # 容忍epoch数
verbose=True
)
- 早停策略：
python复制early_stopping = EarlyStopping(
patience=10,
delta=0.001,
path='checkpoint.pt'
)
5. 工程实践中的关键问题
5.1 数据不均衡解决方案
实际工程中常遇到故障样本稀少的问题，我的应对方案：
-
数据增强技术：
- 时域：随机缩放、加噪、位移
- 频域：选择性滤波、谐波注入
-
迁移学习策略：
- 在大型数据集上预训练特征提取器
- 固定卷积层参数，只微调全连接层
5.2 模型轻量化部署
边缘设备部署时需要压缩模型：
- 知识蒸馏：用大模型指导小模型训练
- 量化感知训练：
python复制model = torch.quantization.quantize_dynamic(
model,
{nn.Linear, nn.Conv1d, nn.Conv2d},
dtype=torch.qint8
)
- 通道剪枝：移除不重要的卷积核
6. 效果评估与对比实验
6.1 评价指标设计
除常规准确率外，建议关注：
- 故障召回率（尤其稀有故障）
- 误报率（False Alarm Rate）
- 诊断延迟时间
6.2 消融实验结果
在凯斯西储数据集上的对比：
| 模型类型 | 准确率 | F1-score | 参数量 |
|---|---|---|---|
| 单路(信号) | 92.3% | 0.914 | 1.2M |
| 单路(图像) | 94.1% | 0.928 | 3.7M |
| 基础双路 | 96.5% | 0.952 | 4.9M |
| 改进双路(本文) | 98.2% | 0.976 | 5.3M |
从实际项目经验看，双路网络在复合故障诊断中优势更明显。我曾遇到一个案例：单路模型将外圈裂纹与润滑不良混淆，而双路模型准确区分了这两种故障模式。