基于阶次分析与深度学习的旋转机械故障诊断方法

1. 项目概述

旋转机械故障诊断一直是工业设备健康管理中的关键挑战。传统基于时频分析的方法往往受限于转速波动带来的频谱模糊问题，导致故障特征提取困难。我在实际工业项目中多次遇到这种情况——当设备转速不稳定时，常规的频谱分析方法很难准确识别轴承故障特征。

OrderCam-Diag项目正是为了解决这一痛点而设计。它创新性地将阶次分析（Order Analysis）与深度学习相结合，通过角域重采样技术消除转速波动影响，再配合Grad-CAM可解释性分析，构建了一个既准确又透明的智能诊断系统。这个方案在多个工业现场测试中表现出色，对变转速工况下的轴承故障识别准确率比传统方法提高了15-20%。

2. 核心原理与技术路线

2.1 阶次分析的本质

阶次分析的核心思想是将信号从时间域转换到角度域。想象一下音乐转盘——无论转速快慢，唱片上的凹槽位置是固定的。类似地，旋转机械的故障特征（如轴承缺陷）与旋转周期相关，而非绝对时间。

关键技术突破点：

• 角域重采样：通过线性插值实现等角度间隔采样
• 阶次谱计算：对角度域信号进行FFT，得到cycles/revolution为单位的频谱
• 转速归一化：所有特征自动适应转速变化

注意：实际工程中，转速信号的获取质量直接影响重采样精度。建议优先使用编码器信号，其次考虑转速计，最后才用计算转速估计的方法。

2.2 希尔伯特包络的妙用

轴承故障会产生周期性冲击，但这些冲击常被强背景噪声淹没。希尔伯特包络分析就像给信号做了"特征增强"：

1. 通过希尔伯特变换得到解析信号
2. 计算模量得到包络线
3. 滤除非周期噪声，突出冲击特征

实测表明，包络分析可使信噪比提升10dB以上，特别适合早期微弱故障检测。

2.3 一维CNN设计要点

针对阶次谱特征，我们设计了专用的一维CNN结构：

python复制class OrderCNN(nn.Module):
    def __init__(self, num_classes=4):
        super().__init__()
        self.features = nn.Sequential(
            nn.Conv1d(1, 32, kernel_size=7, stride=2),  #