基于MTF与CNN的振动信号智能分类系统实现

1. 项目概述：振动信号到图像的智能分类系统

这个项目实现了一个完整的工业振动信号分析流程：首先将原始一维振动信号通过马可夫变迁场（Markov Transition Field, MTF）转换为二维图像表示，然后采用深度卷积神经网络（CNN）进行特征学习和分类识别。我在多个不同负载条件下的数据集上进行了实验验证，整套方案包含可运行的Python代码和配套数据集，开箱即用。

这种方法的创新点在于突破了传统时频分析的局限——MTF转换保留了信号的时间依赖性特征，同时以图像形式呈现的数据更适合现代深度学习模型处理。实测表明，相比直接处理原始信号，这种"信号转图像+CNN"的二级处理架构在机械故障诊断场景中能提升约15-25%的分类准确率。

2. 核心原理与技术选型

2.1 马可夫变迁场(MTF)的数学本质

MTF本质上是一种将时间序列的转移概率可视化的技术。给定长度为N的振动信号X={x1,x2,...,xN}，其计算流程如下：

1. 分箱离散化：将连续信号值划分为Q个分位数区间（实验发现Q=8效果最佳）。例如对于0-10mm/s的振动速度，等分为8个速度区间。

2. 构建转移矩阵：计算相邻时间点之间的状态转移概率：

   python复制# 伪代码示例
   for t in range(1, N):
       i = 找到x[t-1]所属的分箱索引 
       j = 找到x[t]所属的分箱索引
       W[i,j] += 1  # 统计转移频次
   W = W / np.sum(W, axis=1)  # 归一化为概率
   

3. 生成MTF图像：将转移矩阵W按时间顺序展开为N×N的图像矩阵，每个像素M_ij表示在时间i到j的转移概率。最终得到的是一张呈现信号动态演变特征的灰度图。

关键技巧：分箱数量Q需要根据信号特性调整。振动信号通常Q=8-12，而温度等缓变信号可能需要Q=4-6。

2.2 为什么选择CNN处理MTF图像

传统方法如SVM直接处理MTF矩阵时，会丢失图像的局部空间特征。而CNN具有三大优势：

1. 平移不变性：自动学习振动模式在图像中的位置无关特征
2. 层次化特征提取：浅层卷积核捕捉边缘/纹理，深层识别故障特有的图案