1. 项目概述
最近帮实验室刚入门的师弟复现了西储大学轴承故障的迁移学习代码,本以为是个简单的任务,结果在实际操作中踩了不少坑。这个项目非常适合想要入门迁移学习的小伙伴练手,它使用简单的1D-CNN提取振动信号特征,再通过JDA(联合分布适配)进行域对齐,整个过程清晰易懂,能帮助初学者快速理解迁移学习的核心思想。
项目基于PyTorch框架实现,在GPU上运行效率很高,同时也提供了CPU版本的修改建议。最终在CWRU轴承数据集上达到了99%的准确率,输出了损失曲线、准确率曲线、混淆矩阵和t-SNE可视化结果,非常适合作为迁移学习的第一个实践项目。
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. 核心思路解析
2.1 迁移学习在故障诊断中的应用
轴承故障诊断是工业设备健康监测的重要任务。传统方法需要为每种工况单独收集大量标注数据,而迁移学习则可以利用已有工况(源域)的知识来帮助诊断新工况(目标域)的故障,大大降低了数据收集成本。
本项目采用JDA(Joint Distribution Adaptation)方法,它同时对齐源域和目标域的边缘分布和条件分布:
- 边缘分布对齐:使两个领域的整体特征分布相似
- 条件分布对齐:使相同类别的样本在两个领域中的特征分布相似
这种双重对齐策略比单纯使用MMD或CORAL等方法效果更好,特别适合轴承故障诊断这种类别间差异明显的任务。
2.2 整体流程设计
项目实现分为三个主要阶段:
-
数据预处理阶段:
- 从CWRU数据集中分别加载源域和目标域数据
- 对振动信号进行归一化处理
- 封装成PyTorch的Dataset和DataLoader
-
特征提取阶段:
- 使用简单的两层1D-CNN网络提取特征
- 第一层捕捉局部振动特征(如冲击脉冲)
- 第二层捕捉更复杂的组合特征
-
域适应阶段:
- 计算JDA损失,包含边缘分布对齐和条件分布对齐
- 结合分类损失进行联合优化
- 通过t-SNE可视化验证对齐效果
3. 数据准备与预处理
3.1 CWRU数据集介绍
西储大学轴承数据集(CWRU)是故障诊断领域最常用的基准数据集之一,包含多种故障类型和工况:
- 故障类型:内圈故障、外圈故障、滚动体故障等
- 故障直径:0.007英寸、0.014英寸、0.021英寸等
- 负载条件:0hp、1hp、2hp、3hp
在本项目中,我们通常选择:
- 源域:某一负载下的数据(如0hp)
- 目标域:另一负载下的数据(如1hp)
3.2 数据预处理实现
python复制import os
import torch
import numpy as np
from torch.utils.data import Dataset, DataLoader
class CWRUBearingDataset(Dataset):
def __init__(self, data_path, label_path, normalize=True):
# 加载预处理好的振动数据和标签
self.data = np.load(data_path)
self.label = np.load(label_path)
# 归一化处理
if normalize:
self.data = (self.data - self.data.min()) / (self.data.max() - self.data.min())
# 调整维度格式 [batch, 通道数, 序列长度]
self.data = torch.tensor(self.data, dtype=torch.float32).unsqueeze(1)
self.label = torch.tensor(self.label, dtype=torch.long)
def __len__(self):
return len(self.label)
def __getitem__(self, idx):
return self.data[idx], self.label[idx]
# 示例:加载源域和目标域数据
source_dataset = CWRUBearingDataset("./data/source_0_load_data.npy", "./data/source_0_load_label.npy")
target_dataset = CWRUBearing
