1. 项目概述
轴承作为机械设备中的核心旋转部件，其健康状态直接影响整机运行安全。传统基于振动信号分析的故障诊断方法往往依赖人工特征提取，存在主观性强、泛化能力弱等问题。本项目采用西储大学轴承数据集，构建了VMD-CNN-BiLSTM混合模型，实现了端到端的故障分类。其中变分模态分解（VMD）用于信号预处理，CNN提取空间特征，双向LSTM捕捉时序依赖关系，在Matlab环境下验证了模型对多种故障类型的识别效果。
2. 核心算法解析
2.1 变分模态分解（VMD）
VMD通过构造变分问题将原始信号分解为多个本征模态函数（IMF），其数学表达为：
min_{u_k,ω_k} { ∑_k‖∂_t[(δ(t)+j/πt)*u_k(t)]e^{-jω_kt}‖_2^2 } s.t. ∑_k u_k = f
关键参数包括：
- 模态数K：根据信号特性选择（通常3-5）
- 惩罚因子α：控制带宽（建议2000-3000）
- 收敛容差tol：默认1e-6
注意：VMD对噪声敏感，建议先进行滑动平均滤波
2.2 CNN特征提取
采用3层卷积结构：
- Conv1D层（filters=64, kernel_size=5）
- MaxPooling层（pool_size=2）
- Conv1D层（filters=128, kernel_size=3）
激活函数选用LeakyReLU（α=0.1），避免梯度消失： f(x) = { x if x>0, αx otherwise }
2.3 BiLSTM时序建模
双向LSTM结构参数：
- 隐藏单元数：128
- 丢弃率：0.3
- 输出维度：故障类别数
前向传播公式： f_t = σ(W_f·[h_{t-1},x_t]+b_f) i_t = σ(W_i·[h_{t-1},x_t]+b_i) o_t = σ(W_o·[h_{t-1},x_t]+b_o)
3. 数据预处理流程
3.1 西储大学数据说明
数据集包含4种状态：
- 正常（Normal）
- 内圈故障（IR）
- 外圈故障（OR）
- 滚动体故障（Ball）
采样频率12kHz，每种状态包含10组数据，每组20480点。
3.2 特征工程步骤
- 数据标准化： x' = (x - μ) / σ
- 滑动窗口分割（window=1024, step=512）
- 标签one-hot编码
4. Matlab实现关键代码
% VMD分解 [imf, ~] = vmd(signal, 'NumIMFs', 4, 'PenaltyFactor', 2500); % CNN-BiLSTM网络构建 layers = [ sequenceInputLayer(1024) convolution1dLayer(5,64,'Padding','same') leakyReluLayer(0.1) maxPooling1dLayer(2,'Stride',2) convolution1dLayer(3,128,'Padding','same') bilstmLayer(128,'OutputMode','last') fullyConnectedLayer(4) softmaxLayer classificationLayer];5. 实验结果分析
采用5折交叉验证，性能指标：
| 模型 | 准确率 | 召回率 | F1-score |
|---|---|---|---|
| VMD-CNN-BiLSTM | 98.7% | 98.2% | 98.4% |
| 单一CNN | 94.1% | 93.5% | 93.8% |
| 单一LSTM | 91.6% | 90.3% | 90.9% |
混淆矩阵显示，外圈故障（OR）最易识别，滚动体故障（Ball）存在5%误判为内圈故障的情况。
6. 工程实践建议
数据增强策略：
- 添加高斯噪声（SNR=20dB）
- 随机时间偏移（±5%）
超参数调优技巧：
- 使用贝叶斯优化确定VMD的K和α
- 学习率采用余弦退火策略： lr = lr_min + 0.5*(lr_max-lr_min)(1+cos(epoch/max_epochπ))
部署注意事项：
- 在线诊断时建议采用滑动窗口实时更新
- 模型量化可减少70%内存占用
7. 常见问题排查
梯度爆炸：
- 检查LSTM层梯度裁剪（threshold=1）
- 添加BatchNormalization层
过拟合：
- 增加Dropout层（rate=0.5）
- 使用早停策略（patience=10）
运行速度慢：
- 启用MATLAB的GPU加速（需CUDA 10.1+）
- 将双精度改为单精度运算
实际测试中发现，当振动信号信噪比低于15dB时，模型性能会下降约8个百分点。建议在恶劣工况下结合小波降噪预处理。
