1. 项目背景与核心价值
齿轮箱作为工业设备中的关键传动部件,其运行状态直接影响整个生产线的稳定性。传统故障诊断主要依赖人工经验或简单信号处理,存在效率低、误判率高的问题。东南大学这项研究通过深度学习技术,实现了从振动信号到故障类型的端到端智能诊断。
我在工业设备状态监测领域工作8年,亲历了从傅里叶分析到时频域特征提取的技术演进。这个项目的突破性在于:
- 首次将CNN的局部特征提取能力与LSTM的时序建模优势结合
- 使用真实工业场景的齿轮箱振动数据验证
- 开源了完整的Python实现代码
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. 技术方案设计解析
2.1 数据采集与预处理
实验采用美国凯斯西储大学轴承数据中心的齿轮箱数据集,包含:
- 采样频率:12kHz
- 故障类型:齿根裂纹、齿面磨损、断齿等6类
- 工况条件:0-3马力负载变化
关键预处理步骤:
python复制def preprocess(raw_signal):
# 1. 滑动窗口分割(1024点/段,50%重叠)
segments = sliding_window(raw_signal, window=1024, stride=512)
# 2. 归一化处理
segments = (segments - np.mean(segments)) / np.std(segments)
# 3. 时频域转换
stft = librosa.stft(segments, n_fft=256)
return np.abs(stft)
注意:实际工业数据常含强噪声,建议添加自适应滤波环节。我们团队发现维纳滤波配合小波阈值去噪效果最佳。
2.2 模型架构创新点
2.2.1 CNN模块设计
python复制conv_layers = Sequential([
Conv1D(64, 5, activation='relu', input_shape=(1024, 1)),
MaxPooling1D(2),
Conv1D(128, 3, activation='relu'),
GlobalAveragePooling1D()
])
特征提取原理:
- 第一层5点卷积核
