轴承故障诊断迁移学习实战：一维CNN与域适应技术

1. 轴承故障诊断迁移学习实战：从理论到代码实现

作为一名长期从事工业设备状态监测的工程师，我深知轴承故障诊断在实际生产中的重要性。今天要分享的这个基于迁移学习的轴承故障诊断方案，特别适合想要入门该领域的小伙伴。这个方案使用西储大学(CWRU)的轴承振动数据，结合一维CNN和域适应技术，实现了99%的准确率。下面我会从数据准备到模型部署，详细拆解整个流程。

2. 项目整体设计思路

2.1 迁移学习在故障诊断中的应用价值

在工业场景中，我们经常遇到这样的困境：新设备缺乏足够的故障样本用于训练模型，而旧设备积累了大量数据。迁移学习的核心思想就是将这些旧设备(源域)的知识迁移到新设备(目标域)上。这个项目采用JDA(Joint Distribution Adaptation)方法，同时对齐边缘概率分布和条件概率分布，比传统的单一分布对齐方法效果更好。

2.2 技术选型考量

选择一维CNN处理振动信号主要基于三点考虑：

1. 振动信号本质上是时间序列数据，1D CNN能有效捕捉其时序特征
2. 相比2D CNN处理时频图，1D CNN计算量更小，更适合工业部署
3. 端到端结构避免了手工提取特征的繁琐过程

域适应层采用MMD+CORAL混合策略，是因为：

• MMD(最大均值差异)擅长全局分布匹配
• CORAL(相关性对齐)能更好地保留特征间的关系
• 两者结合可以互补不足，提升适应效果

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是故障诊断领域的基准数据集，包含正常状态和多种故障类型(内圈、外圈、滚动体故障)在不同损伤程度下的振动信号。采样频率为12kHz，每种状态包含约120,000个数据点。

3.2 数据预处理流程

python复制class BearingDataset(Dataset):
    def __init__(self, data_path, frame_size=1024, overlap=0.5):
        raw_data = np.loadtxt(data_path)
        self.samples = []
        step = int(frame_size * (1 - overlap))  # 50%重叠
        
        for i in range(0, len(raw_data)-frame_size, step):
            frame = raw_data[i:i+frame_size]
            # 标准化处理
            frame = (frame - np.mean(frame)) / (np.std(frame) + 1e-8)  
            self.samples.append(torch.FloatTensor(frame))

关键预处理步骤说明：

1. 分帧处理：将长序列切分为1024点的短帧，50%重叠确保信息连续性
2. 标准化：每个帧单独标准化，消除幅值差异影响
3. 数据增强：可通过添加高斯噪声或随机缩放提升鲁棒性

注意：不同工况下的数据应保持相同的预处理流程，避免引入人为偏差

4. 模型架构设计

4.1 一维CNN特征提取器

python复制class FeatureExtractor(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv_layers = nn.Sequential(
            nn.Conv1d(1, 64, kernel_size=11, stride=2, padding=5),
            nn.BatchNorm1d(64),
            nn.ReLU(),
            nn.MaxPool1d(3, stride=2),
            
            nn.Conv1d(64, 128, kernel_size=7, padding=3),
            nn.BatchNorm1d(128),
            nn.ReLU(),
            nn.MaxPool1d(3, stride=2),
            
            nn.Conv1d(128, 256, kernel_size=5, padding=2),
            nn.BatchNorm1d(256),
            nn.ReLU()
        )
        
    def forward(self, x):
        return self.conv_layers(x)

网络设计要点：

• 使用3个卷积层逐步提取深层特征
• 每层后接BatchNorm和ReLU加速收敛
• 逐步增大通道数(64→128→256)，减小序列长度
• 初始kernel_size设为11以捕捉振动信号的周期性特征

4.2 域适应层实现

python复制class DomainAdapter(nn.Module):
    def __init__(self, feat_dim):
        super().__init__()
        self.avg_pool = nn.AdaptiveAvgPool1d(1)  # 全局特征压缩
        
    def forward(self, source, target):
        src_feat = self.avg_pool(source).squeeze()
        tgt_feat = self.avg_pool(target).squeeze()
        
        # MMD损失计算
        mmd_loss = torch.mean((src_feat - tgt_feat) ** 2)
        
        # CORAL损失计算
        cov_src = torch.cov(src_feat.T)
        cov_tgt = torch.cov(tgt_feat.T)
        coral_loss = torch.norm(cov_src - cov_tgt, p='fro')
        
        return 0.5*mmd_loss + 0.5*coral_loss  # 混合损失

域适应关键点：

1. 自适应池化将不同长度的特征压缩到相同维度
2. MMD衡量特征均值差异
3. CORAL衡量特征协方差差异
4. 0.5的权重系数需根据实际数据调整

5. 模型训练策略

5.1 联合训练流程

python复制def train(model, src_loader, tgt_loader, optimizer, adapter):
    model.train()
    total_loss = 0
    
    for (x_src, y_src), (x_tgt, _) in zip(src_loader, tgt_loader):
        # 特征提取
        feat_src = model.feature(x_src)
        feat_tgt = model.feature(x_tgt)
        
        # 计算三部分损失
        cls_loss = F.cross_entropy(model.classifier(feat_src), y_src)
        adapt_loss = adapter(feat_src, feat_tgt)
        total_loss = cls_loss + 0.3*adapt_loss  # 超参需要微调
        
        optimizer.zero_grad()
        total_loss.backward()
        optimizer.step()

训练技巧：

• 使用zip同时遍历源域和目标域数据
• 目标域数据不参与分类损失计算
• 0.3是适配损失权重，可根据验证集效果调整
• 建议使用Adam优化器，学习率设为1e-4

5.2 学习率调度策略

python复制scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(
    optimizer, 
    mode='max', 
    factor=0.5, 
    patience=5,
    verbose=True
)

当验证集准确率连续5个epoch不提升时，学习率减半，避免震荡。

6. 结果分析与可视化

6.1 评估指标解读

从表中可以看出，随着训练进行，不仅分类准确率提升，两个域的特征分布差异也显著减小。

6.2 t-SNE可视化分析

python复制def plot_tsne(features, labels, domain, epoch):
    tsne = TSNE(n_components=2, perplexity=30)
    reduced = tsne.fit_transform(features)
    
    plt.figure(figsize=(10, 8))
    for i in range(num_classes):
        mask = (labels == i)
        plt.scatter(reduced[mask, 0], reduced[mask, 1], 
                   label=f'Class {i}', alpha=0.6)
    plt.legend()
    plt.title(f'Epoch {epoch} - {domain} Domain')

可视化分析要点：

1. 初期源域和目标域特征明显分离
2. 后期同类样本在不同域中混合良好
3. 不同类别间保持清晰边界

7. 常见问题与解决方案

7.1 训练问题排查表

7.2 实战经验分享

1. 数据平衡很重要：确保每个故障类型在源域和目标域中都有足够样本
2. 超参数调优顺序建议：
   • 先调分类部分(学习率、batch size)
   • 再调域适应部分(损失权重、适配层位置)
3. 当目标域数据极少时(如<100样本)：
   • 冻结前几层CNN权重
   • 仅训练最后几层和分类器
4. 实际部署时建议：
   • 使用TensorRT加速推理
   • 添加置信度阈值过滤不确定预测

8. 项目扩展方向

这个基础框架可以进一步扩展：

1. 多传感器融合：同时处理振动和温度信号
2. 在线学习：新数据到来时增量更新模型
3. 故障严重度评估：回归任务替代分类
4. 无监督域适应：完全不用目标域标签

我在实际工业部署中发现，将迁移学习与物理模型结合效果更佳。比如先用物理模型生成仿真数据作为源域，再迁移到真实设备数据上。