双路神经网络在滚动轴承故障诊断中的应用

1. 项目概述

滚动轴承作为机械设备中的关键部件，其运行状态直接影响整机的可靠性。传统故障诊断方法往往仅依赖单一信号源，难以全面捕捉故障特征。我们提出了一种融合原始振动信号与时频图像的双路神经网络诊断方法，通过多模态数据协同分析提升诊断精度。

关键创新点：同时利用原始振动信号的时域特征和时频图像的频域特征，构建互补性特征空间。

2. 核心架构设计

2.1 数据流架构

双路网络采用并行处理结构：

• 原始信号路径：1D-CNN处理时域波形
• 时频图像路径：2D-CNN分析时频特征
  两路特征在全连接层前进行拼接融合

2.2 时频转换算法选型

通过对比实验验证不同算法的适用性：

实测发现小波变换在轴承故障诊断中表现最优，因其能自适应调节时频窗口

3. 关键技术实现

3.1 数据预处理流程

1. 信号标准化：采用z-score归一化消除量纲影响
2. 时频转换参数设置：
   • STFT：汉宁窗，窗长256，重叠率90%
   • 小波：db4小波基，5层分解
3. 数据增强：添加高斯噪声、随机缩放等

3.2 网络结构优化

python复制class EnhancedDualPathNet(nn.Module):
    def __init__(self):
        super().__init__()
        # 信号路径
        self.signal_path = nn.Sequential(
            nn.Conv1d(1, 32, 5, padding='same'),
            nn.BatchNorm1d(32),
            nn.ReLU(),
            nn.MaxPool1d(2),
            nn.Conv1d(32, 64, 3, padding='same'),
            nn.BatchNorm1d(64),
            nn.ReLU()
        )
        
        # 图像路径
        self.image_path = nn.Sequential(
            nn.Conv2d(1, 32, (5,5), padding='same'),
            nn.BatchNorm2d(32),
            nn.ReLU(),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 64, (3,3), padding='same'),
            nn.BatchNorm2d(64),
            nn.ReLU()
        )
        
        self.classifier = nn.Sequential(
            nn.Linear(64*125 + 64*62*62, 256),
            nn.Dropout(0.5),
            nn.ReLU(),
            nn.Linear(256, num_classes)
        )

    def forward(self, x_sig, x_img):
        x_sig = self.signal_path(x_sig)
        x_img = self.image_path(x_img)
        x_sig = x_sig.view(x_sig.size(0), -1)
        x_img = x_img.view(x_img.size(0), -1)
        x = torch.cat((x_sig, x_img), dim=1)
        return self.classifier(x)

关键改进：

• 增加批归一化层加速收敛
• 引入Dropout防止过拟合
• 优化特征维度匹配

4. 实验验证

4.1 数据集配置

使用CWRU数据集进行验证：

• 采样频率：12kHz
• 故障类型：内圈/外圈/滚动体损伤
• 损伤直径：0.007-0.028英寸
• 负载条件：0-3hp

4.2 性能对比

5. 工程实践要点

5.1 部署优化技巧

1. 模型量化：将FP32转为INT8，体积减小75%
2. 动态批处理：根据显存自动调整batch_size
3. 异步推理：重叠数据加载与计算

5.2 常见问题排查

1. 特征不匹配：
   • 检查两路输入的采样率一致性
   • 验证时频转换参数是否合理
2. 梯度爆炸：
   • 添加梯度裁剪
   • 调整学习率策略
3. 过拟合：
   • 增加数据增强
   • 添加L2正则化

6. 进阶优化方向

1. 自适应特征加权：引入注意力机制动态调整两路特征贡献
2. 知识蒸馏：用大模型指导轻量化模型训练
3. 在线学习：实时更新模型适应设备磨损变化

实际部署中发现，在工业现场振动干扰较大的环境下，建议优先选用小波变换而非STFT。某风机轴承监测项目中，改用db8小波基后，诊断准确率提升了3.2个百分点。