1. 轴承故障诊断分类项目概述
轴承作为机械设备中的关键部件，其运行状态直接影响整个系统的可靠性。传统的人工检测方法效率低下且难以发现早期故障，而基于机器学习的轴承故障诊断技术能够实现自动化监测与精准分类。本项目将完整展示从原始振动信号处理到最终模型训练的完整流程，重点解决工业场景中的三个核心问题：非平衡数据集的分类难题、特征提取的有效性以及模型泛化能力的提升。
典型轴承故障包含内圈损伤、外圈损伤、滚动体损伤和保持架损伤四种类型，其振动信号特征差异显著但容易受到环境噪声干扰。我们采用的CWRU轴承数据集包含正常状态和12种不同故障类型，采样频率12kHz，每种故障包含四种不同损伤程度（0.007英寸至0.028英寸）。
2. 数据处理关键技术解析
2.1 信号预处理流程
原始振动信号需经过以下预处理步骤：
- 降噪处理：采用小波阈值降噪算法，使用sym5小波基进行5层分解，通过改进的阈值函数保留有效冲击成分。实测表明该方法可使信噪比提升15dB以上。
import pywt def wavelet_denoise(signal): coeffs = pywt.wavedec(signal, 'sym5', level=5) threshold = np.std(coeffs[-1]) * np.sqrt(2*np.log(len(signal))) new_coeffs = [pywt.threshold(c, threshold, mode='soft') for c in coeffs] return pywt.waverec(new_coeffs, 'sym5')时域特征提取：计算17个关键指标：
- 有量纲指标：峰值、峰峰值、均方根值等
- 无量纲指标：波形指标、脉冲指标、裕度指标等
- 特别关注峭度指标（Kurtosis），其对早期故障敏感度可达正常状态的3-5倍
频域特征提取：
- 通过FFT获取频谱后，计算1/3倍频程能量谱
- 包络分析解调出故障特征频率（BPFO、BPFI等）
- 实验表明2000-3000Hz频段包含最丰富的故障信息
2.2 特征选择与降维
初始特征矩阵包含42个特征（时域17+频域25），通过两步优化：
- Filter方法：计算各个特征与故障类型的MIC（最大信息系数），保留MIC>0.3的特征
- Wrapper方法：采用递归特征消除（RFE）配合SVM分类器，最终选择12个核心特征
% MATLAB特征重要性排序示例 mdl = fitcsvm(X_train,y_train); [~,rank] = fscmrmr(X_train,y_train); opt_features = rank(1:12);2.3 数据增强策略
针对样本不平衡问题（正常样本占比60%），采用以下方法：
- SMOTE过采样：对少数类样本进行5倍过采样
- ADASYN自适应采样：在特征空间稀疏区域生成新样本
- 时域切片增强：将原始信号分割为50%重叠的片段，使样本量增加3倍
3. 模型架构设计与训练
3.1 混合模型结构
我们构建SVM与神经网络的混合架构：
第一层（SVM集成）：
- 并行3种核函数的SVM（线性、RBF、多项式）
- 采用网格搜索优化超参数（C=10, gamma=0.1）
- 输出各类别的概率估计矩阵
第二层（BP神经网络）：
- 输入层：15节点（3个SVM的5类概率输出拼接）
- 隐藏层：128节点（ReLU激活）
- 输出层：5节点（Softmax激活）
from sklearn.svm import SVC from keras.models import Sequential svm_linear = SVC(kernel='linear', probability=True) svm_rbf = SVC(kernel='rbf', gamma=0.1, probability=True) svm_poly = SVC(kernel='poly', degree=3, probability=True) # 集成预测概率 prob_matrix = np.hstack([svm_linear.predict_proba(X_test), svm_rbf.predict_proba(X_test), svm_poly.predict_proba(X_test)]) # BP网络结构 model = Sequential() model.add(Dense(128, input_dim=15, activation='relu')) model.add(Dense(5, activation='softmax')) model.compile(loss='categorical_crossentropy', optimizer='adam')3.2 训练优化技巧
迁移学习应用：
- 使用Case Western Reserve University数据集预训练第一层
- 在目标数据集上微调最后一层（学习率0.0001）
动态类别权重：
class_weight = {0:1, 1:3, 2:3, 3:3, 4:5} # 根据样本量反向加权早停机制：
from keras.callbacks import EarlyStopping early_stop = EarlyStopping(monitor='val_loss', patience=20)
4. 模型性能评估
4.1 评估指标对比
在测试集（20%比例）上的表现：
| 模型 | 准确率 | 召回率（少数类） | F1-score |
|---|---|---|---|
| 单一SVM | 87.2% | 62.3% | 0.72 |
| 普通BP网络 | 89.5% | 65.8% | 0.76 |
| 本文混合模型 | 95.4% | 84.7% | 0.89 |
4.2 混淆矩阵分析
外圈损伤（类别3）的识别效果提升最显著：
- 传统方法误判率：28.6%
- 本方案误判率：9.2% 主要混淆发生在0.014"和0.021"损伤程度之间
4.3 工业部署建议
边缘计算方案：
- 使用TensorFlow Lite将模型量化（模型体积减少75%）
- 在STM32H7系列MCU上实现实时诊断（推理时间<50ms）
故障演进追踪：
def trend_analysis(signal_window): features = extract_features(signal_window) health_index = model.predict(features)[:,4] # 故障概率 return moving_average(health_index, n=5)
5. 工程实践中的关键发现
采样频率选择：
- 对于<1000rpm设备，12kHz采样足够
- 高速轴承（>5000rpm）需要至少50kHz采样
特征稳定性测试：
- 负载变化20%时，时域特征波动达35%
- 频域能量特征波动仅8%，更适合变工况场景
模型退化监测：
- 建议每月用新数据测试模型准确率
- 当准确率下降5%时触发模型再训练
实际部署中，这套系统在某风电场的齿轮箱监测中实现：
- 故障预警提前量：平均72小时
- 误报率：<3%
- 维护成本降低：40%以上
通过将传统信号处理与现代深度学习结合，我们验证了混合模型在旋转机械诊断中的优越性。后续可探索Transformer架构在长序列振动信号中的应用潜力。