1. 多传感器融合诊断的必要性
滚动轴承作为旋转机械的核心部件,其健康状态直接影响整机运行安全。传统单一传感器诊断方法存在明显局限性——就像医生仅用听诊器判断病情,容易遗漏关键症状。振动信号虽能反映机械冲击特征,但对早期轻微故障不敏感;电流信号虽能捕捉负载变化,却易受电网干扰。两者结合恰好形成互补:
- 振动信号优势:对轴承表面剥落、裂纹等局部缺陷敏感,故障特征集中在高频段(1kHz以上)
- 电流信号优势:能反映轴承润滑劣化、轻微磨损等渐进性故障,特征多集中在低频段(<500Hz)
我们使用的帕德博恩数据集(PN Dataset)包含6种故障类型,每种故障的振动和电流信号表现差异显著。例如内圈故障在振动频谱上呈现明显的特征频率成分,而在电流信号中则表现为转矩波动。
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. 数据预处理关键步骤
2.1 传感器信号对齐
多传感器融合的首要挑战是时序对齐。我们采用硬件同步采集方案,确保振动和电流信号的采样时钟同源。预处理阶段需要:
- 重采样处理:将电流信号采样率从10kHz提升到与振动信号相同的50kHz
- 滑动窗口分割:采用2560点窗口(对应50ms时长)进行样本分割,重叠率设为30%
- 归一化处理:对每个传感器信号单独进行z-score标准化
python复制def align_signals(vib, current):
# 电流信号插值到50kHz
current_resampled = torchaudio.functional.resample(current, orig_freq=10000, new_freq=50000)
# 计算最小公共长度
min_length = min(len(vib), len(current_resampled))
# 滑动窗口分割
windows = []
for i in range(0, min_length - 2560, 1792): # 2560*(1-0.3)=1792
vib_window = vib[i:i+2560]
current_window = current_resampled[i:i+2560]
windows.append((vib_window, current_window))
return windows
2.2 时频特征增强
原始信号直接输入网络效率较低,我们设计了两阶段特征增强:
-
时域处理:
- 振动信号:计算包络谱,突出冲击成分
- 电流信号:进行Park矢量变换,提取转矩波动特征
-
频域处理:
- 对振动信号应用4-6kHz带通滤波(针对轴承故障特征频段)
- 对电流信号进行0-500Hz低通滤波
python复制class FeatureEnhancer(nn.Module):
def __init__(self):
super().__init__()
# 振动信号带通滤波器
self.vib_bp = BandPassFilter(4000, 6000, 50000)
# 电流信号低通滤波器
self.current_lp = LowPassFilter(500, 50000)
def forward(self, vib, current):
# 振动信号处理
vib_env = hilbert(vib).abs() # 包络分析
vib_bp = self.vib_bp(vib)
# 电流信号处理
current_park = park_transform(current)
current_lp = self.current_lp(
