基于时频特征与CNN的轴承故障智能诊断方法-育师

1. 项目背景与核心思路

轴承作为旋转机械的核心部件，其健康状态直接影响设备运行安全。传统振动信号分析方法通常面临两个关键挑战：一是工业现场强噪声干扰导致信号信噪比低，二是设备变工况运行造成信号特征分布差异大。针对这些问题，我们提出一种融合时频域特征与卷积神经网络（CNN）的智能诊断方法。

该方法的核心创新点在于：

采用时域统计特征（如峰峰值、峭度）与频域FFT特征联合提取，形成互补特征集
设计特征选择算法自动筛选对故障敏感的时频特征组合
构建轻量级1D-CNN网络实现端到端故障分类

工业现场实测表明，单纯时域特征对冲击类故障敏感但易受噪声影响，而频域特征能稳定反映故障特征频率但可能丢失瞬态信息。两者结合可提升特征鲁棒性。

2. 关键技术实现

2.1 时频特征工程

2.1.1 时域特征提取

选取具有明确物理意义的10个时域指标：

def extract_time_features(signal): features = { 'peak': np.max(abs(signal)), 'rms': np.sqrt(np.mean(signal**2)), 'kurtosis': stats.kurtosis(signal), 'skewness': stats.skew(signal), 'crest_factor': np.max(abs(signal)) / np.sqrt(np.mean(signal**2)), # 其他特征... } return features

2.1.2 频域特征构造

采用改进的FFT谱分析流程：

汉宁窗处理减少频谱泄漏
分段平均降低随机噪声
特征频带能量提取：

def band_energy(spectrum, freq_range): mask = (freq >= freq_range[0]) & (freq <= freq_range[1]) return np.sum(spectrum[mask]**2)

2.2 敏感特征选择

使用mRMR（最小冗余最大相关）算法进行特征筛选：

计算每个特征与故障类别的互信息（相关性）
迭代选择使下式最大的特征：
```
argmax[ I(f;c) - 1/S ΣI(f;s) ]
```
其中S是已选特征集合

2.3 CNN网络架构

设计包含以下层的1D-CNN：

层类型	参数设置	输出维度
输入层	512点特征向量	512×1
Conv1D+ReLU	kernel=32, stride=4	120×32
MaxPooling1D	pool_size=2	60×32
Conv1D+ReLU	kernel=16, stride=2	23×64
GlobalAvgPool	-	64
Dense+Softmax	神经元数=故障类别数	10

实测表明，全局平均池化比全连接层更能防止过拟合，尤其在小样本场景下效果显著。

3. Python实现关键代码

3.1 数据预处理

class SignalPreprocessor: def __init__(self, fs=12000): self.fs = fs # 采样频率 def __call__(self, raw_signal): # 带通滤波 filtered = butter_bandpass(raw_signal, low=50, high=3000, fs=self.fs) # 归一化 normalized = (filtered - np.mean(filtered)) / np.std(filtered) return normalized

3.2 特征融合模块

class FeatureFusion(nn.Module): def __init__(self, time_dim=10, freq_dim=30): super().__init__() self.time_fc = nn.Linear(time_dim, 16) self.freq_fc = nn.Linear(freq_dim, 64) def forward(self, time_feat, freq_feat): time_out = F.relu(self.time_fc(time_feat)) freq_out = F.relu(self.freq_fc(freq_feat)) return torch.cat([time_out, freq_out], dim=1)

3.3 模型训练技巧

def train_epoch(model, loader, optimizer): model.train() for x_time, x_freq, y in loader: # 混合精度训练 with torch.cuda.amp.autocast(): pred = model(x_time, x_freq) loss = F.cross_entropy(pred, y) # 梯度裁剪 optimizer.zero_grad() scaler.scale(loss).backward() scaler.unscale_(optimizer) torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) scaler.step(optimizer) scaler.update()

4. 工业场景验证

4.1 测试环境配置

数据集：CWRU轴承数据（12kHz采样）
故障类型：内圈/外圈/滚动体故障（共10类）
噪声条件：添加SNR=-4dB~6dB高斯白噪声
工况变化：负载1~3hp（转速1772~1730rpm）

4.2 性能对比

方法	干净数据准确率	强噪声(-4dB)	跨工况(1→3hp)
传统SVM	89.2%	62.1%	55.8%
纯时域CNN	93.5%	75.3%	68.9%
本文方法	97.8%	91.4%	94.2%

4.3 典型问题排查

频带能量突变：
- 现象：某频段能量异常高
- 检查：传感器松动导致共振
- 解决：重新固定传感器并重采数据
时域峭度异常：
- 正常范围：3~5
- 异常值：>15可能提示冲击故障
- 验证：结合包络谱分析确认
CNN梯度爆炸：
- 表现：loss出现NaN
- 措施：添加梯度裁剪（见3.3节代码）
- 调参：减小学习率至1e-4

5. 工程实践建议

采样参数优化：
- 最小采样长度应覆盖轴承至少5转：
```
最小点数 = 5 * (60/RPM) * 采样频率
```
- 对于1730rpm/12kHz采样，至少需要2075点

特征可视化监控：

def plot_feature_trend(features_list): plt.figure(figsize=(12,6)) for i, name in enumerate(feature_names): plt.subplot(2,5,i+1) plt.plot([f[i] for f in features_list]) plt.title(name) plt.tight_layout()