1. 项目概述
在工业设备维护领域，滚动轴承故障诊断一直是个重要课题。传统方法依赖人工特征提取和专家经验，存在效率低、泛化性差等问题。本文将介绍一种结合时频分析和深度学习的智能诊断方法，通过STFT-CNN-BiGRU模型实现高精度故障分类。
这个方案的核心思路是：先用STFT将振动信号转换为时频图，再用CNN提取空间特征，最后通过BiGRU捕捉时序依赖关系。我在实际工业数据集上测试发现，这种组合方法比单一模型效果更好，准确率能达到98.6%。
2. 核心原理解析
2.1 STFT时频变换原理
STFT（短时傅里叶变换）是非平稳信号分析的经典方法。它的核心思想是用滑动窗口将长信号分割成多个短时片段，然后对每个片段做傅里叶变换。这样就能同时获得时间和频率信息。
具体实现时需要注意几个关键点：
- 窗口选择：汉宁窗效果较好，能减少频谱泄漏
- 窗口长度：一般取采样率的1/10到1/5
- 重叠率：50%-75%的重叠能保证时频连续性
我在Matlab中实现的STFT代码如下：
matlab复制window = hann(256); % 汉宁窗
noverlap = 192; % 重叠点数
nfft = 512; % FFT点数
[s,f,t] = spectrogram(x,window,noverlap,nfft,fs);
2.2 CNN特征提取设计
CNN部分采用三路并行结构，分别处理不同频段特征：
- 大卷积核（16×1）：捕捉低频周期性特征
- 中卷积核（8×1）：提取中频过渡特征
- 小卷积核（4×1）：捕获高频冲击特征
每路CNN包含：
- 卷积层（带ReLU激活）
- 批归一化层
- 最大池化层
- Dropout层（0.3概率）
特征融合采用注意力机制加权拼接，动态调整各频段重要性。
2.3 BiGRU时序建模
BiGRU（双向门控循环单元）相比传统RNN有两大优势：
- 门控机制：解决长序列梯度消失问题
- 双向结构：同时考虑前后时序依赖
隐藏层维度设置为128，前向和后向GRU的输出在每时间步拼接，形成256维特征向量。
3. 完整实现流程
3.1 数据准备
使用凯斯西储大学轴承数据集，包含4类状态：
- 正常（Normal）
- 内圈故障（IR）
- 外圈故障（OR）
- 滚动体故障（RB）
数据预处理步骤：
- 去噪：小波阈值去噪
- 归一化：最大最小值归一到[-1,1]
- 数据增强：添加高斯噪声、时间拉伸
3.2 模型构建
完整模型结构如下表所示：
| 模块 | 层类型 | 参数设置 | 输出尺寸 |
|---|---|---|---|
| 输入层 | - | - | 1×1024 |
| STFT | 时频变换 | 汉宁窗256点 | 257×32 |
| CNN | 三路并行卷积 | 16×1/8×1/4×1 | 3×256 |
| 特征融合 | 注意力加权 | - | 256 |
| BiGRU | 双向GRU | 128单元 | 256 |
| 分类器 | 全连接+Softmax | - | 4 |
3.3 训练配置
关键训练参数：
- 优化器：Adam（lr=0.001）
- 批大小：64
- 迭代次数：100
- 早停机制：验证集loss 10轮不降
损失函数使用交叉熵，加入L2正则化（λ=0.01）防止过拟合。
4. 实验结果分析
4.1 性能对比
在测试集上的分类结果：
| 方法 | 准确率 | F1-score | 推理时间(ms) |
|---|---|---|---|
| STFT+SVM | 89.2% | 0.886 | 12.5 |
| CNN-BiGRU | 96.5% | 0.961 | 8.3 |
| 本文方法 | 98.6% | 0.983 | 9.7 |
可以看到，我们的方法在准确率上比传统CNN-BiGRU提升了2.1个百分点，且保持了相近的推理速度。
4.2 混淆矩阵分析
code复制 Normal IR OR RB
Normal 198 1 1 0
IR 0 197 2 1
OR 1 2 196 1
RB 0 1 1 198
从混淆矩阵可以看出，模型对各类故障的识别都很准确，主要错误发生在IR和OR的混淆上，这与它们的故障特征相似性有关。
5. 工程实践建议
5.1 参数调优经验
-
STFT参数：
- 窗口长度：建议先设为采样率的1/8
- 重叠率：75%效果最好但计算量大，工程中可取50%
-
CNN结构：
- 卷积核数量：从32开始逐步增加
- 池化大小：建议2×1或4×1
-
BiGRU层：
- 隐藏单元数：64-256之间
- 层数：1-2层足够
5.2 常见问题排查
-
准确率低：
- 检查STFT时频图是否清晰
- 尝试增加数据增强强度
- 调整CNN卷积核尺寸
-
过拟合：
- 增加Dropout比例
- 添加更多正则化
- 使用早停机制
-
推理速度慢：
- 减少BiGRU隐藏单元数
- 量化模型参数
- 使用TensorRT加速
6. 扩展应用方向
这个框架不仅可以用于轴承故障诊断，经过适当调整还能应用于：
-
齿轮箱故障诊断
- 需要调整STFT参数捕捉啮合频率
- 增加CNN通道数处理更复杂特征
-
电机故障诊断
- 加入电流信号分析
- 考虑多传感器数据融合
-
转子系统监测
- 需要处理更高频振动
- 增加时频分析的分辨率
在实际工业场景部署时，建议先在小规模设备上验证，再逐步推广到关键机组。同时要考虑边缘计算设备的资源限制，可能需要对模型进行剪枝和量化。