手把手教你：基于深度学习的滚动轴承故障诊断（2026 修订版）
本文是《滚动轴承故障诊断》系列的第 1 篇（总览）。
系列完整目录见文末【专栏导航】。本文配套代码与分步操作手册见公众号「免费代码合集」菜单。
代码下载链接：点这里
一、项目简介
本文介绍如何使用 Python 搭建一个基于深度学习的滚动轴承故障诊断系统。
系统对轴承的 4 种状态做自动分类：
- 正常
- 内圈故障
- 滚动体故障
- 外圈故障
项目中使用了三种方法对比检测结果，这也是毕设论文中最需要的一组"对比实验"：
| 方法 | 类型 | 测试集准确率 |
|---|---|---|
| 随机森林 | 传统机器学习 | 约 73% |
| 1D-CNN | 深度学习 | 约 83% |
| CNN + 残差模块（ResNet） | 深度学习（推荐） | 95%+ |
三个模型用同一份数据、同一套切分方式训练，结论可直接写进论文实验章节。
如需更换自己的训练数据，只需要把数据文件按目录放好，所有代码无需改动即可直接运行。
二、数据介绍
本项目使用凯斯西储大学（Case Western Reserve University，CWRU）轴承数据中心的开源公开数据集——这也是全世界故障诊断研究最常用的入门数据集，引用进论文无版权风险。
数据为 Matlab 格式（.mat），每个文件包含风扇端和驱动端振动数据以及电机转速。文件中的变量名含义：
- DE—— 驱动端加速度计数据
- FE—— 风扇端加速度计数据
- BA—— 基础加速度计数据
- RPM—— 测试期间的转速
对四类状态各取一个文件绘制波形，可以直观看到：不同故障之间、故障与正常之间，数据分布都存在明显差异——这正是"可以用分类模型来做诊断"的物理依据。
三、数据预处理
原始信号是"一整条很长的时间序列"，而分类模型需要的是"一条条样本"。预处理做三件事：
- 归一化：把 DE、FE 两路信号的幅值都压到 0~1，消除不同转速、负载带来的幅值差异；
- 构造双通道：把驱动端（DE）和风扇端（FE）信号配成对，每条样本形状为1000 点 × 2 通道——双通道信息互补，比单通道更稳；
- 滑窗切分 + 类别均衡：每 1000 个点切出一条样本，每类采样固定数量，最终得到：
| 类别 | 样本数 |
|---|---|
| 正常 | 1400 |
| 内圈故障 | 1400 |
| 滚动体故障 | 1400 |
| 外圈故障 | 1400 |
| 合计 | 5600 |
处理后的数据保存为train_data.npy（5600, 1000, 2）和label.npy（5600,），后续三个模型都从这两个文件读取——预处理一次，三模型通用。
四、模型设计与对比结果
4.1 随机森林（传统基线）
把每条 1000×2 的样本"拍平"成 2000 维特征向量，直接喂给随机森林（50 棵树，深度 5）。
它不需要训练轮次、跑得最快，作为论文里的"传统方法对照组"非常合适。
4.2 1D-CNN（深度学习基线）
一维卷积神经网络：卷积核沿时间轴滑动，自动从波形中提取局部模式（比如故障冲击的形状），替代人工特征工程。
结构很简洁：Conv1D(64) → MaxPooling → 全局平均池化 → Dense(32) → Dropout → softmax(4)。
实测准确率约83%，且**"内圈故障"一类的召回率明显偏低**——误分集中发生在内圈与滚动体之间。这个"缺陷"恰好是第 6 篇文章的主角：它证明了简单浅层网络的特征提取能力不够。
4.3 CNN + 残差模块（ResNet，推荐模型）
在 CNN 基础上加入5 个残差块（ResBlock）。每个残差块内部的连接方式是：
输出 = F(x) + x # F 是两层卷积，x 是块的输入（捷径直接跳过来）这条"捷径"让损失梯度可以无损地传回浅层，深层网络因此训得动、不退化——这是 ResNet 论文（He et al., 2015）的核心思想，也是本项目准确率从 83% 提升到 95%+ 的关键。
4.4 三模型对比总结
| 模型 | 准确率 | 论文话术 |
|---|---|---|
| 随机森林 | ~73% | 传统人工特征路线的上限 |
| 1D-CNN | 83% | 浅层网络对内圈/滚动体故障区分不足 |
| CNN+ResNet | 95%+ | 残差连接增强深层特征表达，四类召回均衡 |
三个模型各自的完整分类报告（precision / recall / f1）和混淆矩阵图，运行配套评估脚本可一键生成，直接贴论文。
五、配套代码与资源
本系列文章走"文章讲思路、资源包管操作"的路线，内容互不重复：
- 每一步的安装命令、运行步骤、常见报错解决：见公众号菜单「免费代码合集」（按章节拆好：环境部署 / 数据下载 / 预处理 / 三模型训练 / 评估出图 / 可视化界面 / 论文模板）；
- 完整代码合集（含 CWRU 数据、已训练模型、TensorBoard 日志、全部结果截图）：CSDN 下载频道付费资源，已购本专栏的同学在微信公众号免费领取完整代码；
- 本专栏后续 8 篇文章将逐模块逐行讲透：环境部署 → 数据集深度解析 → 预处理源码走读 → 随机森林 → CNN 与残差原理 → 训练与评估 → 可视化界面 → 论文与答辩。
六、专栏导航
| 篇次 | 主题 | 状态 |
|---|---|---|
| 1 | 项目总览与三模型对比（本文） | ✅ |
| 2 | 环境部署：Anaconda + TensorFlow 2.x 全流程 | 编写中 |
| 3 | CWRU 数据集深度解析与波形可视化 | 排期中 |
| 4 | 数据预处理源码走读：从 .mat 到 npy | 排期中 |
| 5 | 随机森林：传统基线的取舍 | 排期中 |
| 6 | 一维卷积与残差模块：83% 到 95% 的原理拆解 | 排期中 |
| 7 | 训练与评估：复现全部实验结果 | 排期中 |
| 8 | 可视化界面：PyQt5 搭建诊断工具 | 排期中 |
| 9 | 从代码到毕设：论文框架与答辩话术 | 排期中 |
下一篇预告：《环境部署：从零搭好能跑深度学习的 Python 环境（CPU 版）》，零基础 30 分钟完成，含常见安装报错速查。
版权说明：CWRU 数据集版权归凯斯西储大学所有，仅限学习研究使用；本文代码与文字为本人原创，付费专栏读者可学习使用，禁止转售。
