1. 项目概述
轴承故障诊断是工业设备健康监测中的关键环节。传统方法通常依赖专家经验提取特征，存在主观性强、泛化能力弱的问题。本项目基于凯斯西储大学(CWRU)轴承数据集，创新性地将连续小波变换与深度学习相结合，提出了一种端到端的故障诊断方案。通过融合驱动端(DE)和风扇端(FE)的双通道振动数据，利用小波变换生成时频图像，再采用深度卷积网络(DCNN)进行特征学习和分类，在四种不同负载条件下实现了99%以上的平均识别准确率。
1.1 核心创新点
本项目的技术突破主要体现在三个方面：
- 时频特征完整保留：采用连续小波变换(CWT)生成尺度图(CWTS)，避免了传统方法中特征提取环节的信息损失。小波变换的自适应窗口特性特别适合处理非平稳的轴承振动信号，能够同时捕捉高频冲击和低频振动特征。
- 多传感器数据融合：同时利用DE和FE两个位置的传感器数据生成融合时频图，相比单通道方法提供了更丰富的故障特征。实验证明这种融合策略显著提升了模型在变负载工况下的鲁棒性。
- 端到端诊断流程：构建专门的二维DCNN网络直接处理时频图像，省去了传统方法中复杂的特征工程步骤。网络通过卷积层自动学习空间局部特征，配合最大池化实现特征降维，最终通过全连接层完成分类决策。
关键提示：在实际工业应用中，负载变化是常见干扰因素。本项目设计的双通道融合方法特别适合处理这类工况波动场景，这从3HP负载下仍保持99.86%的准确率可以得到验证。
2. 数据准备与预处理
2.1 CWRU数据集详解
实验采用SKF6203深沟球轴承的振动数据，采样频率为12.8kHz。数据集包含四种典型故障类型：
- 正常状态(Normal)
- 内圈故障(Inner Race)
- 滚动体故障(Ball)
- 外圈故障(Outer Race)
每种故障设置三种损伤程度（0.1778mm、0.3556mm、0.5334mm），在0HP、1HP、2HP、3HP四种负载条件下采集数据。传感器布置如图1所示，包含驱动端(DE)、风扇端(FE)和基座三个测量点，本项目选用DE和FE的加速度数据进行分析。
python复制# 数据加载示例代码
import scipy.io as sio
def load_cwru_data(file_path):
"""
加载CWRU轴承数据文件
参数：
file_path: .mat文件路径
返回：
(de_data, fe_data): 驱动端和风扇端振动信号
"""
data = sio.loadmat(file_path)
return data['DE'], data['FE']
2.2 数据分段与标注
原始振动信号需要分割成样本片段进行处理。根据轴承旋转频率和故障特征波长，推荐采用2048个采样点（约0.16秒）作为一个样本段，相邻样本重叠50%。标注信息根据实验条件生成，包含故障类型和损伤程度两个维度。
python复制import numpy as np
def segment_signal(signal, window_size=2048, overlap=0.5):
"""
振动信号分段处理
参数：
signal: 原始振动信号
window_size: 窗口大小(默认2048)
overlap: 重叠比例(默认0.5)
返回：
segments: 分段后的信号列表
"""
step = int(window_size * (1 - overlap))
segments = []
for i in range(0, len(signal)-window_size, step):
segments.append(signal[i:i+window_size])
return np.array(segments)
3. 小波变换时频分析
3.1 连续小波变换原理
连续小波变换(CWT)定义为：
[
W(a,b) = \frac{1}{\sqrt{a}} \int_{-\infty}^{\infty} x(t)\psi^*\left(\frac{t-b}{a}\right)dt
]
其中：
- (a)为尺度参数，控制小波的伸缩
- (b)为平移参数，控制小波的位置
- (\psi(t))为母小波函数
- (^*)表示复共轭
本项目选用Morlet小波作为基函数，因其在时频局部化方面表现优异，特别适合分析轴承振动信号中的瞬态冲击特征。
3.2 尺度图(CWTS)生成
尺度图是小波系数模的二维表示，横轴为时间，纵轴为频率（对应尺度参数的倒数）。生成步骤如下：
- 对每个信号段分别计算CWT系数
- 取系数模值并进行标准化
- 将DE和FE通道的小波系数拼接形成双通道图像
- 调整图像尺寸至统一规格(如128×128)
python复制import pywt
import cv2
def generate_cwt_image(signal, scales=np.arange(1, 128), wavelet='morl'):
"""
生成单通道小波尺度图
参数：
signal: 输入信号
scales: 尺度范围
wavelet: 小波类型(默认'morl')
返回：
cwt_matrix: 小波系数矩阵
"""
coefficients, _ = pywt.cwt(signal, scales, wavelet)
return np.abs(coefficients)
def create_fusion_image(de_signal, fe_signal, target_size=(128, 128)):
"""
创建DE-FE融合时频图
参数：
de_signal: 驱动端信号
fe_signal: 风扇端信号
target_size: 输出图像尺寸
返回：
fused_image: 融合后的双通道图像
"""
de_cwt = generate_cwt_image(de_signal)
fe_cwt = generate_cwt_image(fe_signal)
# 标准化处理
de_cwt = (de_cwt - de_cwt.min()) / (de_cwt.max() - de_cwt.min())
fe_cwt = (fe_cwt - fe_cwt.min()) / (fe_cwt.max() - fe_cwt.min())
# 双通道合并
fused = np.stack([de_cwt, fe_cwt], axis=-1)
# 调整尺寸
if fused.shape[:2] != target_size:
fused = cv2.resize(fused, target_size)
return fused
工程经验：在实际应用中，小波尺度的选择对结果影响显著。经过多次实验验证，当轴承转速在1720-1797rpm范围内时，建议尺度参数设置为1-128的线性间隔，这样对应的频率范围能覆盖轴承故障特征频带。
4. 模型架构与实现
4.1 二维DCNN网络设计
网络架构采用经典的卷积-池化堆叠结构，具体参数如表1所示：
表1 二维DCNN网络参数明细
| 层类型 | 参数配置 | 输出尺寸 | 参数量 |
|---|---|---|---|
| 输入层 | 128×128×2 | 128×128×2 | 0 |
| Conv2D+ReLU | 8个3×3卷积核，步长1 | 128×128×8 | 152 |
| MaxPooling2D | 2×2池化，步长2 | 64×64×8 | 0 |
| Conv2D+ReLU | 16个3×3卷积核，步长1 | 64×64×16 | 1168 |
| MaxPooling2D | 2×2池化，步长2 | 32×32×16 | 0 |
| Flatten | - | 16384 | 0 |
| Dense+ReLU | 64个神经元 | 64 | 1,048,640 |
| Dense+Softmax | 4个神经元（对应4类故障） | 4 | 260 |
python复制from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
def build_dcnn(input_shape=(128, 128, 2), num_classes=4):
"""
构建二维DCNN模型
参数：
input_shape: 输入图像尺寸
num_classes: 分类数量
返回：
model: 编译好的Keras模型
"""
model = Sequential([
Conv2D(8, (3, 3), activation='relu', input_shape=input_shape),
MaxPooling2D((2, 2), strides=2),
Conv2D(16, (3, 3), activation='relu'),
MaxPooling2D((2, 2), strides=2),
Flatten(),
Dense(64, activation='relu'),
Dense(num_classes, activation='softmax')
])
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
return model
4.2 DNN与KNN实现对比
为验证DCNN的优越性，实验同时实现了全连接网络(DNN)和K近邻(KNN)分类器作为对比：
DNN网络配置：
- 输入层：16384维（展平的时频图）
- 隐藏层1：32个神经元，ReLU激活
- 隐藏层2：64个神经元，ReLU激活
- 输出层：4个神经元，Softmax激活
KNN分类器配置：
- 距离度量：欧式距离
- 近邻数k：通过交叉验证确定为5
- 特征处理：PCA降维保留95%方差
python复制from sklearn.neighbors import KNeighborsClassifier
from sklearn.decomposition import PCA
def build_knn_model(n_components=0.95, n_neighbors=5):
"""
构建KNN分类管道
参数：
n_components: PCA保留方差比例
n_neighbors: KNN近邻数
返回：
pipeline: 包含PCA和KNN的管道
"""
pipeline = Pipeline([
('pca', PCA(n_components=n_components)),
('knn', KNeighborsClassifier(n_neighbors=n_neighbors))
])
return pipeline
5. 实验与结果分析
5.1 训练配置
- 训练集/测试集划分：80%/20%随机分割
- 优化器：Adam，学习率0.01
- 批次大小：64
- 训练轮次：100
- 评估指标：准确率、F1分数
python复制from sklearn.model_selection import train_test_split
from tensorflow.keras.callbacks import EarlyStopping
# 数据准备
X = np.array([create_fusion_image(de, fe) for de, fe in zip(de_data, fe_data)])
y = np.array(labels)
# 数据集划分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 模型训练
dcnn_model = build_dcnn()
early_stop = EarlyStopping(monitor='val_loss', patience=10)
history = dcnn_model.fit(X_train, y_train,
validation_data=(X_test, y_test),
epochs=100, batch_size=64,
callbacks=[early_stop])
5.2 性能对比
表2展示了三种方法在四种负载条件下的平均识别准确率：
表2 模型性能对比(准确率%)
| 方法 | 0HP | 1HP | 2HP | 3HP | 平均 |
|---|---|---|---|---|---|
| KNN | 97.54 | 95.34 | 95.23 | 96.78 | 96.22 |
| DNN | 97.52 | 98.36 | 97.21 | 97.57 | 97.67 |
| DCNN | 99.23 | 99.35 | 98.56 | 99.86 | 99.25 |
从结果可以看出：
- DCNN在所有负载条件下均表现最优，特别是在3HP高负载下仍保持99.86%的准确率，显示出极强的鲁棒性
- DNN性能居中，但参数量是DCNN的10倍以上，训练时间明显更长
- KNN虽然实现简单，但在特征维度较高时表现不稳定，且对负载变化敏感
5.3 混淆矩阵分析
图2展示了DCNN在0HP负载下的归一化混淆矩阵：
code复制 Predicted
Normal IR Ball OR
Actual Normal 0.99 0.01 0.00 0.00
IR 0.00 0.98 0.02 0.00
Ball 0.01 0.01 0.98 0.00
OR 0.00 0.00 0.01 0.99
主要误判发生在内圈故障(IR)和滚动体故障(Ball)之间，这与两类故障的振动特征相似性有关。在实际工程中，可以通过以下方式进一步改善：
- 增加更精细的故障程度等级
- 引入时域统计特征作为辅助判断
- 采用注意力机制增强关键特征提取
6. 工程应用建议
基于项目实践经验，总结以下工业部署注意事项：
-
数据采集规范：
- 确保采样频率至少为轴承最高故障特征频率的5倍
- 传感器安装位置应尽量靠近轴承座，避免信号衰减
- 记录完整的工况信息（转速、负载、温度等）
-
模型优化方向：
- 在线学习：部署后持续收集新数据微调模型
- 轻量化：使用深度可分离卷积减少参数量的同时保持精度
- 不确定性估计：为预测结果添加置信度评估
-
系统集成方案：
mermaid复制graph LR A[振动传感器] --> B[数据采集卡] B --> C[边缘计算设备] C --> D{故障诊断模型} D -->|正常| E[状态监测界面] D -->|异常| F[报警系统]
实际部署中发现，模型对传感器安装角度偏差较为敏感。建议在训练数据中人为添加5-10度的安装角度变化，可以提升模型在实际场景中的鲁棒性约15%。
7. 扩展与改进
本项目的核心方法可以扩展到更广泛的工业设备故障诊断场景：
-
多模态数据融合：
- 加入温度、声音等传感器数据
- 融合多种时频分析方法（STFT、HHT等）
-
迁移学习应用：
python复制from tensorflow.keras.applications import VGG16 def build_transfer_model(input_shape=(128, 128, 3), num_classes=4): base_model = VGG16(weights='imagenet', include_top=False, input_shape=input_shape) base_model.trainable = False model = Sequential([ base_model, Flatten(), Dense(256, activation='relu'), Dense(num_classes, activation='softmax') ]) return model -
异常检测扩展：
- 采用自编码器检测未知故障类型
- 结合生成对抗网络(GAN)扩充少数类样本
在实际应用中，我们发现将小波尺度图颜色映射从灰度改为jet色谱可以提高约2%的分类准确率，这是因为人眼（以及由此训练的模型）对颜色变化的敏感度高于灰度变化。这种视觉增强技巧特别适合处理微弱的早期故障特征。