简介故障诊断是工业预测性维护的核心环节旨在通过分析设备运行数据提前识别潜在故障避免非计划停机。其原理在于设备故障往往会在振动、声音、温度等信号中产生特定的、可被学习的模式。深度学习技术特别是卷积神经网络因其强大的特征自动提取能力为从海量、高维的原始信号中识别这些微弱、复杂的故障模式提供了高效解决方案显著提升了诊断的准确性和自动化水平。这一技术价值在于它能够替代传统依赖专家经验的诊断方法实现数据驱动的、可复制的智能运维。在工业场景中如旋转机械的健康监测深度学习模型能够处理来自加速度计、麦克风等传感器的时序数据对滚动轴承的内圈、外圈、滚动体故障进行精准分类与早期预警。本文以经典的凯斯西储大学轴承数据集为例详细对比了1D-CNN、2D-CNN以及Transformer等模型在轴承故障诊断任务上的实战应用与工程化部署路径为构建端到端的智能诊断系统提供了完整参考。1. 项目缘起从“听声辨位”到“数据驱动”的轴承健康管理在工业现场待过的人都知道滚动轴承是旋转机械的“关节”它的健康状态直接决定了整条产线的生死。早些年老师傅们靠一把听音棒贴着设备外壳凭借多年经验“听声辨位”判断轴承是轻微磨损还是即将“抱死”。这种技艺固然高超但高度依赖个人经验难以量化、复制更无法应对现代高速、高负荷、连续生产的复杂工况。我接手过不少设备预测性维护的项目核心痛点始终如一故障样本太少。一个轴承从安装到彻底失效其生命周期中99%的时间都处于正常状态那1%的故障数据尤其是早期微弱故障极其珍贵且难以获取。等到振动烈度明显超标、温度骤升时往往已经临近 catastrophic failure灾难性失效留给运维人员的反应窗口非常短。深度学习技术的成熟为解决这个“小样本、弱信号”的故障诊断难题提供了新思路。它不再依赖人工定义复杂的特征如峭度、峰值因子、包络谱而是让算法直接从原始的振动信号、声音信号甚至温度序列中自动学习并提取最能表征故障状态的特征。这就像给设备装上了一位不知疲倦、经验可无限复制的“AI老师傅”。因此这个项目的目的很明确构建一个端到端的、基于Python和深度学习的滚动轴承智能故障诊断系统原型。它要能完成从原始数据输入到故障类型及严重程度输出的全过程并且具备良好的可解释性和工程落地潜力。本文将围绕这个核心目标拆解其中的关键技术选型、数据工程、模型构建、系统集成等全链路细节并分享我在实际开发中踩过的坑和总结的经验。2. 诊断系统的核心架构与数据基石一个完整的智能诊断系统绝非一个孤立的深度学习模型。它是一套包含数据流、算法流和业务流的工程体系。在动手写第一行代码之前我们必须先厘清系统的顶层架构。2.1 系统架构设计从信号到决策的流水线我设计的系统主要包含以下五个核心模块它们构成了一个标准的数据处理流水线数据采集与接入模块负责从各种传感器加速度计、麦克风、温度传感器或已有的数据采集系统中实时或批量地获取原始时域信号。这部分通常由硬件或底层工控系统完成我们的系统通过文件接口如CSV、MAT、数据库接口或消息队列如Kafka来接入这些数据。信号预处理与特征工程模块这是将物理信号转化为算法可“理解”的语言的关键一步。包括去噪、滤波、归一化、分段等操作。对于深度学习我们更倾向于进行“浅层”预处理而将复杂的特征提取任务交给网络本身。深度学习模型模块系统的“大脑”。接收预处理后的数据输出故障的分类如内圈故障、外圈故障、滚动体故障或回归结果如剩余使用寿命RUL。模型需要兼顾高精度、高速度以及一定的抗噪鲁棒性。模型服务与推理模块将训练好的模型封装成可调用的服务如RESTful API或gRPC服务以便其他系统如MES、SCADA或前端界面能够实时提交数据并获取诊断结果。可视化与报警模块将诊断结果、置信度、历史趋势等以图表形式直观展示并设定阈值触发不同等级的报警预警、告警、紧急停机建议。这个架构确保了系统的模块化和可扩展性。例如你可以轻易地更换不同的深度学习模型或者增加新的数据源类型。2.2 数据集诊断模型的“粮食”与“教材”没有高质量的数据再精巧的模型也是空中楼阁。滚动轴承故障诊断领域经过多年发展已经沉淀了一批公开的、标注完善的基准数据集这是我们项目得以启动的前提。凯斯西储大学轴承数据中心数据集这是最经典、使用最广泛的数据集没有之一。它提供了不同负载、不同转速下轴承内圈、外圈、滚动体的单点故障数据故障直径从0.007英寸到0.028英寸不等。数据以MAT文件格式提供包含驱动端和风扇端的振动加速度信号。注意使用CWRU数据时务必注意其采样频率12kHz或48kHz和故障位置驱动端DE、风扇端FE、基座BA。不同位置的信号特征差异显著混合使用前需要明确场景。西安交通大学轴承数据集相较于CWRU的实验室数据XJTU-SY数据集提供了更接近工业实际的运行条件。它包含了轴承从正常状态到完全失效的全生命周期数据非常适合用于剩余使用寿命预测任务。数据量更大工况更复杂。MFPT故障数据集由机械故障预防技术协会发布包含了轴承在多种负载和故障状态下的数据特别适合研究变工况下的故障诊断问题。PHM 2012 数据挑战赛数据集这个数据集来自真实的航空发动机轴承加速寿命试验数据具有强非平稳性和噪声挑战性极大适合用于测试模型的鲁棒性。自建数据集策略公开数据集是学习和验证算法的绝佳起点但要真正落地往往需要结合特定设备的自建数据。我的经验是合作采集与设备厂商或用户合作在关键设备上安装传感器进行长期监测。故障植入在实验室或备用设备上人工制造标准故障如电火花加工故障点获取“可控”的故障数据。这是弥补自然故障数据不足的有效手段。数据增强对于故障样本可以采用添加噪声、时移、缩放、频率微扰等方法进行数据增强以有限的数据模拟出无限接近真实场景的变体。在本项目中为了演示的完整性我们将主要基于CWRU数据集进行开发因为它结构清晰易于获取且相关研究充分便于我们对比和验证模型效果。我会详细说明如何下载、解析并预处理这个数据集使其适配我们的深度学习模型。3. 深度学习模型选型从CNN到Transformer的实战对比选择什么样的模型是项目的核心决策。轴承振动信号本质上是一维时间序列但我们可以通过时频分析如短时傅里叶变换STFT、小波变换将其转化为二维时频图像从而拓宽模型的选择面。下面我对比了几种主流架构的优缺点和适用场景。3.1 卷积神经网络稳健的“图像识别专家”CNN是处理图像数据的首选当我们将振动信号转换为时频图后CNN就能大显身手。核心思想利用卷积核在时频图上滑动自动提取局部特征如故障冲击在特定频带上的能量聚集并通过池化层逐步抽象出更高层的特征。经典网络LeNet-5 / 自定义浅层CNN参数量小训练快对于特征明显的故障如CWRU中的严重故障效果很好适合嵌入式部署或快速原型验证。ResNet / DenseNet引入了残差连接或密集连接解决了深层网络梯度消失的问题能够构建更深的网络以提取更复杂、更细微的故障特征对早期微弱故障的诊断能力更强。我的实战经验输入设计我常用(height, width, channels) (128, 128, 1)的灰度时频图作为输入。height对应频率轴width对应时间轴。数据增强对时频图进行随机的水平翻转时间轴、轻微的裁剪、亮度对比度调整可以有效提升模型的泛化能力防止过拟合。一个坑直接使用ImageNet上预训练的权重如ResNet50初始化网络效果可能并不好。因为自然图像和振动时频图的纹理、统计特性差异巨大。更推荐的做法是随机初始化或在小规模轴承数据集上做预训练。3.2 一维卷积神经网络原汁原味的“序列处理者”1D-CNN直接处理原始的一维振动信号省去了时频变换的步骤计算效率更高且保留了信号的原始相位信息。核心思想使用一维卷积核在时间序列上滑动提取不同时间尺度上的局部模式。多个卷积层堆叠可以捕获从短时冲击到长时趋势的各种特征。网络结构通常由多个“卷积-BN-激活-池化”块堆叠而成最后接全连接层分类。我的实战经验卷积核大小第一层卷积核不宜过大如3, 5, 7用于捕捉高频的故障冲击成分深层可以使用更大的卷积核或空洞卷积来扩大感受野捕捉低频的调制现象。通道数如果数据来自多个传感器如水平、垂直、轴向振动可以将它们作为不同的输入通道让网络自行学习通道间的关联。优势模型简单训练速度快对于明显的周期性冲击故障非常有效。在许多工业场景中1D-CNN因其高效和可靠往往是首选方案。3.3 循环神经网络与长短期记忆网络捕捉时间依赖的“记忆大师”RNN/LSTM专为序列数据设计理论上能更好地建模振动信号中前后时刻的依赖关系比如故障冲击的周期性。核心思想通过内部状态隐藏状态来“记忆”之前看到的信息并用于当前时刻的预测。实战挑战梯度问题原始RNN存在梯度消失/爆炸问题LSTM和GRU通过门控机制缓解了这一点但训练依然比CNN复杂。计算成本无法像CNN那样并行化处理整个序列训练速度慢。长程依赖对于非常长的序列LSTM捕捉长程依赖的能力依然有限。我的使用场景我更多地将LSTM用于剩余使用寿命预测任务因为它需要根据历史健康退化序列来预测未来的趋势。对于单纯的故障分类CNN通常更简单有效。3.4 Transformer与自注意力机制新时代的“关系建模者”Transformer在NLP领域大放异彩后也开始在时间序列分析中应用。其核心是自注意力机制可以计算序列中任意两个时间点之间的关系权重。核心思想让模型自己决定在诊断当前时刻的状态时应该“注意”历史序列中的哪些部分。这对于发现故障冲击之间的复杂关系和非平稳信号中的关键片段很有潜力。模型变种如Informer、Autoformer等专门针对长时间序列预测进行了优化。我的实战体会数据需求大Transformer通常需要更大的数据量才能充分训练避免过拟合。在有限的轴承数据上直接套用大型Transformer可能效果不佳。位置编码由于Transformer本身没有位置信息必须为时间序列添加位置编码这是影响性能的关键。前景与现状Transformer在故障诊断领域仍处于探索阶段在一些复杂故障、复合故障的诊断上显示出潜力但工业部署的成熟度和稳定性尚不及CNN。目前更适合作为研究方向的补充。综合选型建议对于大多数入门和工业原型项目我强烈推荐从1D-CNN或2D-CNN基于时频图开始。它们结构清晰训练稳定资源消耗相对可控且有大量成功案例可参考。在本项目的后续实现中我将以1D-CNN和基于时频图的2D-CNN为例给出完整的代码实现和对比分析。4. 从零构建基于Python的故障诊断系统全流程实现接下来我们进入实战环节。我将以CWRU数据集为例展示构建一个完整诊断系统的每一步。假设我们的任务是使用驱动端DE的加速度数据诊断轴承在0负载下的四种状态正常、内圈故障、外圈故障、滚动体故障。4.1 环境准备与数据加载首先搭建Python环境。我习惯使用Anaconda进行环境管理。# 创建并激活环境 conda create -n bearing_diagnosis python3.8 conda activate bearing_diagnosis # 安装核心库 pip install numpy pandas matplotlib scikit-learn pip install tensorflow2.10 # 或 pip install torch torchvision torchaudio pip install scipy jupyter这里我选择TensorFlow作为深度学习框架你也可以用PyTorch逻辑是相通的。数据加载与解析是关键的第一步。CWRU数据是.mat文件我们需要用scipy.io来读取。import os import numpy as np import pandas as pd from scipy.io import loadmat import matplotlib.pyplot as plt # 假设数据已下载到 ./data/CWRU/ 目录下 data_dir ./data/CWRU/ # 定义故障类型与文件名的映射示例需根据实际文件调整 file_map { normal: [97.mat, 98.mat, 99.mat], # 正常数据 inner: [105.mat, 106.mat, 107.mat], # 内圈故障 outer: [130.mat, 131.mat, 132.mat], # 外圈故障 ball: [118.mat, 119.mat, 120.mat], # 滚动体故障 } def load_cwru_file(filepath): 加载单个.mat文件提取驱动端振动信号 mat_data loadmat(filepath) # CWRU数据中振动信号通常保存在以‘DE’开头的变量名里需要查看文件具体内容 # 例如: key X097_DE_time for key in mat_data.keys(): if DE in key and time in key: # 找到驱动端时域信号 vibration_signal mat_data[key].flatten() # 转换为一维数组 return vibration_signal raise ValueError(f未在文件 {filepath} 中找到驱动端振动信号) # 循环加载所有数据并打上标签 X [] # 存储信号片段 y [] # 存储标签 label_to_id {normal: 0, inner: 1, outer: 2, ball: 3} segment_length 1024 # 每个样本的长度 for label, files in file_map.items(): for file in files: file_path os.path.join(data_dir, file) signal load_cwru_file(file_path) # 将长信号分割成固定长度的片段增加样本量 num_segments len(signal) // segment_length for i in range(num_segments): segment signal[i*segment_length:(i1)*segment_length] X.append(segment) y.append(label_to_id[label]) X np.array(X) y np.array(y) print(f数据加载完成。总样本数: {X.shape}, 标签形状: {y.shape})4.2 信号预处理与特征工程为1D-CNN准备对于1D-CNN我们主要做标准化和简单的滤波。from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler # 1. 划分训练集和测试集 X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42, stratifyy) # 2. 标准化按特征即每个时间点进行标准化消除量纲影响 # 注意拟合只使用训练集避免数据泄露 scaler StandardScaler() # 将二维数据重塑为 (样本数*序列长度, 1) 以适应scaler再转回 X_train_reshaped X_train.reshape(-1, 1) X_test_reshaped X_test.reshape(-1, 1) scaler.fit(X_train_reshaped) X_train_scaled scaler.transform(X_train_reshaped).reshape(X_train.shape) X_test_scaled scaler.transform(X_test_reshaped).reshape(X_test.shape) # 3. 为1D-CNN调整输入形状: (样本数, 序列长度, 通道数) X_train_1d X_train_scaled[..., np.newaxis] # 增加一个通道维度 X_test_1d X_test_scaled[..., np.newaxis] print(f1D-CNN输入形状 - 训练集: {X_train_1d.shape}, 测试集: {X_test_1d.shape})4.3 构建并训练1D-CNN模型现在我们用TensorFlow Keras API构建一个简单的1D-CNN模型。import tensorflow as tf from tensorflow.keras import layers, models def build_1d_cnn_model(input_shape, num_classes): model models.Sequential([ # 第一层卷积捕捉高频细节 layers.Conv1D(filters64, kernel_size3, activationrelu, input_shapeinput_shape), layers.BatchNormalization(), layers.MaxPooling1D(pool_size2), # 第二层卷积扩大感受野 layers.Conv1D(filters128, kernel_size3, activationrelu), layers.BatchNormalization(), layers.MaxPooling1D(pool_size2), # 第三层卷积 layers.Conv1D(filters256, kernel_size3, activationrelu), layers.BatchNormalization(), layers.GlobalAveragePooling1D(), # 全局平均池化替代FlattenDense参数更少更不易过拟合 # 全连接层 layers.Dense(128, activationrelu), layers.Dropout(0.5), # 丢弃层防止过拟合 # 输出层 layers.Dense(num_classes, activationsoftmax) ]) return model # 定义模型参数 input_shape (segment_length, 1) # (1024, 1) num_classes len(label_to_id) # 4 model_1d build_1d_cnn_model(input_shape, num_classes) model_1d.summary() # 打印模型结构 # 编译模型 model_1d.compile(optimizeradam, losssparse_categorical_crossentropy, metrics[accuracy]) # 设置回调函数早停和模型保存 callbacks [ tf.keras.callbacks.EarlyStopping(monitorval_loss, patience10, restore_best_weightsTrue), tf.keras.callbacks.ModelCheckpoint(best_1d_cnn_model.h5, monitorval_accuracy, save_best_onlyTrue) ] # 训练模型 history_1d model_1d.fit(X_train_1d, y_train, epochs50, batch_size32, validation_split0.1, callbackscallbacks, verbose1) # 在测试集上评估 test_loss, test_acc model_1d.evaluate(X_test_1d, y_test, verbose0) print(f\n1D-CNN模型在测试集上的准确率: {test_acc:.4f})4.4 时频变换与2D-CNN模型构建对于2D-CNN我们需要将一维信号转换为时频图像。这里使用短时傅里叶变换。from scipy import signal import cv2 # 用于图像缩放 def stft_transform(series, fs12000, nperseg256, noverlap128): 对一维序列进行STFT并返回幅度谱 f, t, Zxx signal.stft(series, fsfs, npersegnperseg, noverlapnoverlap) # 取幅度并转换为分贝尺度使特征更明显 magnitude np.abs(Zxx) # 避免log(0)加一个极小值 db_spectrogram 20 * np.log10(magnitude 1e-10) return db_spectrogram def create_spectrogram_dataset(X_data, target_size(128, 128)): 将一批一维信号转换为时频图数据集 spectrograms [] for series in X_data: spec stft_transform(series) # 将时频图缩放到统一尺寸方便CNN输入 spec_resized cv2.resize(spec, target_size, interpolationcv2.INTER_CUBIC) # 归一化到[0,1] spec_normalized (spec_resized - spec_resized.min()) / (spec_resized.max() - spec_resized.min() 1e-10) spectrograms.append(spec_normalized) # 调整形状: (样本数, 高, 宽, 通道数) return np.array(spectrograms)[..., np.newaxis] # 为训练集和测试集生成时频图 (此步骤较耗时可以考虑保存结果) print(正在生成训练集时频图...) X_train_spec create_spectrogram_dataset(X_train_scaled) print(正在生成测试集时频图...) X_test_spec create_spectrogram_dataset(X_test_scaled) print(f时频图数据集形状 - 训练集: {X_train_spec.shape}, 测试集: {X_test_spec.shape}) # 构建2D-CNN模型 (一个简单的类VGG结构) def build_2d_cnn_model(input_shape, num_classes): model models.Sequential([ layers.Conv2D(32, (3,3), activationrelu, paddingsame, input_shapeinput_shape), layers.BatchNormalization(), layers.Conv2D(32, (3,3), activationrelu, paddingsame), layers.BatchNormalization(), layers.MaxPooling2D((2,2)), layers.Conv2D(64, (3,3), activationrelu, paddingsame), layers.BatchNormalization(), layers.Conv2D(64, (3,3), activationrelu, paddingsame), layers.BatchNormalization(), layers.MaxPooling2D((2,2)), layers.GlobalAveragePooling2D(), layers.Dense(128, activationrelu), layers.Dropout(0.5), layers.Dense(num_classes, activationsoftmax) ]) return model input_shape_2d (128, 128, 1) model_2d build_2d_cnn_model(input_shape_2d, num_classes) model_2d.compile(optimizeradam, losssparse_categorical_crossentropy, metrics[accuracy]) history_2d model_2d.fit(X_train_spec, y_train, epochs30, # 时频图训练可能更快收敛 batch_size16, validation_split0.1, callbacks[tf.keras.callbacks.EarlyStopping(patience5)], verbose1) test_loss_2d, test_acc_2d model_2d.evaluate(X_test_spec, y_test, verbose0) print(f\n2D-CNN模型在测试集上的准确率: {test_acc_2d:.4f})4.5 模型评估、可视化与解释训练完成后我们不能只看准确率。混淆矩阵和ROC曲线能告诉我们更多。from sklearn.metrics import confusion_matrix, classification_report, roc_curve, auc from sklearn.preprocessing import label_binarize import seaborn as sns # 1. 使用1D-CNN模型进行预测 y_pred_prob_1d model_1d.predict(X_test_1d) y_pred_1d np.argmax(y_pred_prob_1d, axis1) # 2. 生成分类报告 print(1D-CNN分类报告:) print(classification_report(y_test, y_pred_1d, target_nameslabel_to_id.keys())) # 3. 绘制混淆矩阵 cm confusion_matrix(y_test, y_pred_1d) plt.figure(figsize(8,6)) sns.heatmap(cm, annotTrue, fmtd, cmapBlues, xticklabelslabel_to_id.keys(), yticklabelslabel_to_id.keys()) plt.ylabel(真实标签) plt.xlabel(预测标签) plt.title(1D-CNN混淆矩阵) plt.show() # 4. 绘制ROC曲线 (多分类) y_test_bin label_binarize(y_test, classes[0,1,2,3]) n_classes y_test_bin.shape[1] fpr {} tpr {} roc_auc {} for i in range(n_classes): fpr[i], tpr[i], _ roc_curve(y_test_bin[:, i], y_pred_prob_1d[:, i]) roc_auc[i] auc(fpr[i], tpr[i]) plt.figure(figsize(10,8)) colors [blue, red, green, orange] for i, color in zip(range(n_classes), colors): plt.plot(fpr[i], tpr[i], colorcolor, lw2, labelROC curve of class {0} (area {1:0.2f}).format(list(label_to_id.keys())[i], roc_auc[i])) plt.plot([0, 1], [0, 1], k--, lw2) plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel(False Positive Rate) plt.ylabel(True Positive Rate) plt.title(多分类ROC曲线) plt.legend(loclower right) plt.show()通过混淆矩阵我们可以清晰看到模型在哪些类别上容易混淆例如外圈故障和滚动体故障的冲击特征有时相似。ROC曲线和AUC值则给出了模型在不同分类阈值下的整体性能。5. 工程化与部署让模型从实验室走向车间模型在Jupyter Notebook里跑出高精度只是第一步。要让其真正产生价值必须将其工程化集成到现有的运维体系中。5.1 模型服务化封装为API我们可以使用轻量级的Web框架如Flask或FastAPI将模型包装成RESTful API服务。# app.py (FastAPI示例) from fastapi import FastAPI, File, UploadFile import numpy as np import tensorflow as tf from io import BytesIO import uvicorn app FastAPI(title轴承故障诊断API) # 加载训练好的模型 model tf.keras.models.load_model(best_1d_cnn_model.h5) # 加载之前拟合的标准化器 (需要保存并加载) # import joblib # scaler joblib.load(scaler.pkl) app.post(/predict/) async def predict(file: UploadFile File(...)): 接收振动数据文件如CSV单列数据返回故障诊断结果。 contents await file.read() # 假设文件是单列CSV包含一段振动信号 data np.loadtxt(BytesIO(contents), delimiter,) # 1. 预处理分段、标准化此处简化实际需与训练时完全一致 segment preprocess_signal(data) # 自定义预处理函数 segment_scaled scaler.transform(segment.reshape(-1, 1)).reshape(segment.shape) segment_input segment_scaled[np.newaxis, ..., np.newaxis] # 2. 预测 prediction model.predict(segment_input) class_idx np.argmax(prediction[0]) confidence float(np.max(prediction[0])) # 3. 返回结果 class_names [正常, 内圈故障, 外圈故障, 滚动体故障] result { status: success, prediction: class_names[class_idx], confidence: confidence, probabilities: prediction[0].tolist() } return result def preprocess_signal(signal, segment_len1024): 预处理函数示例取信号中间一段或做滑动平均分段 # 这里简单取前segment_len个点实际应用需更鲁棒的处理 if len(signal) segment_len: return signal[:segment_len] else: # 处理信号长度不足的情况例如填充 return np.pad(signal, (0, segment_len - len(signal)), constant) if __name__ __main__: uvicorn.run(app, host0.0.0.0, port8000)部署后PLC或数据采集系统可以通过HTTP请求将实时采集到的数据片段发送到这个API即可获得诊断结果。5.2 前端可视化打造监控仪表盘一个直观的仪表盘对于运维人员至关重要。可以使用Streamlit、Dash或Gradio快速搭建原型。# streamlit_app.py import streamlit as st import pandas as pd import numpy as np import plotly.graph_objects as go import requests st.set_page_config(page_title轴承健康状态实时监控, layoutwide) st.title(滚动轴承智能故障诊断系统) # 侧边栏数据上传或模拟数据生成 st.sidebar.header(数据输入) uploaded_file st.sidebar.file_uploader(上传振动数据CSV文件, type[csv]) if uploaded_file is not None: data pd.read_csv(uploaded_file, headerNone).iloc[:, 0].values else: # 模拟生成一段数据 st.sidebar.subheader(或使用模拟数据) fault_type st.sidebar.selectbox(选择故障类型, [正常, 内圈故障, 外圈故障, 滚动体故障]) data simulate_bearing_signal(fault_type) # 自定义模拟函数 # 主界面图表展示 col1, col2 st.columns(2) with col1: st.subheader(振动时域信号) fig_time go.Figure(datago.Scatter(ydata[:1000], modelines)) st.plotly_chart(fig_time, use_container_widthTrue) with col2: st.subheader(频谱分析) # 计算FFT并绘图 fft_vals np.fft.fft(data) freqs np.fft.fftfreq(len(data), d1/12000) # 假设采样率12kHz fig_freq go.Figure(datago.Scatter(xfreqs[:len(freqs)//2], ynp.abs(fft_vals[:len(fft_vals)//2]))) st.plotly_chart(fig_freq, use_container_widthTrue) # 诊断按钮 if st.button(开始诊断): with st.spinner(模型分析中...): # 将数据发送到后端API # 这里简化处理实际应调用上面定义的 /predict/ 接口 # response requests.post(http://localhost:8000/predict/, files{file: ...}) # result response.json() result {prediction: 内圈故障, confidence: 0.95} # 模拟结果 st.success(诊断完成) st.metric(label诊断结果, valueresult[prediction]) st.metric(label置信度, valuef{result[confidence]:.2%}) # 健康状态指示器 if result[prediction] 正常: st.balloons() else: st.error(f检测到故障{result[prediction]}建议安排检查)这个简单的仪表盘可以展示实时波形、频谱并触发诊断给出直观的结果和报警。5.3 持续学习与模型更新工业现场的数据分布可能会随时间漂移设备磨损、工况变化导致模型性能下降。因此系统需要支持持续学习。在线学习在边缘设备或网关上进行模型增量训练需要处理灾难性遗忘问题技术难度较高。定期重训练更实用的策略是定期如每季度收集新的运行数据在云端或服务器上对模型进行全量重训练和验证然后更新线上服务模型。需要建立数据版本管理和模型版本管理的管道。主动学习当模型对某些数据的预测置信度很低时可以将其标记出来交由专家进行人工标注然后将这些高质量的新样本加入训练集。6. 避坑指南与经验总结在开发和部署这类系统的过程中我踩过不少坑这里总结几条最关键的数据一致性是生命线训练数据的采集条件传感器型号、安装位置、采样频率、负载转速必须与线上推理时的条件尽可能一致。一个在实验室电机上训练的模型直接用到大型风机上效果大概率会很差。数据预处理流程必须完全一致包括滤波参数、标准化参数等。警惕“过拟合”与“数据泄露”在划分训练集、验证集和测试集时必须确保来自同一轴承、同一段连续运行数据的不同片段不会同时出现在训练集和测试集中否则就是严重的数据泄露会得到虚高的准确率。应该按轴承ID或运行时间段来划分。模型轻量化与部署环境匹配实验室用的GPU服务器性能强大但工业现场可能只有工控机甚至嵌入式设备。在模型设计初期就要考虑计算量和参数量。可以尝试模型剪枝、量化、知识蒸馏等技术来压缩模型或者直接选择MobileNet、SqueezeNet等轻量级架构。故障诊断≠故障预测我们这个项目主要解决的是“当下是什么状态”的分类问题。而“还能运行多久”的预测问题RUL更为复杂需要寿命周期数据且评估指标如RMSE、Score函数完全不同。不要混淆两个任务的目标。可解释性至关重要在工业领域仅仅给出一个“内圈故障置信度95%”的结果是不够的。运维人员需要知道“为什么”。可以引入梯度加权类激活映射等技术可视化出模型做出判断所依据的输入信号中的关键区域比如时频图中的某个频带这能极大增强用户对AI系统的信任。从单点故障到复合故障现实中的故障往往是复合的、渐变的。我们的模型通常针对单一故障点训练。如何检测和识别复合故障是一个更具挑战性的前沿课题可以考虑多标签分类或更复杂的网络结构。构建一个可靠的滚动轴承智能故障诊断系统是一个融合了信号处理、机器学习、软件工程和领域知识的综合性项目。从公开数据集出发快速验证算法原型再到针对具体场景进行数据采集、模型优化和系统集成每一步都需要严谨的工程思维和不断的迭代调试。希望这份详细的指南和代码能为你开启工业智能运维的大门提供一块坚实的垫脚石。在实际操作中最深刻的体会永远是贴近数据理解物理过程用最简单的模型解决最核心的问题在迭代中不断进化。本文还有配套的精品资源点击获取 基于深度学习的滚动轴承智能故障诊断：从CNN到Transformer的实战指南
简介故障诊断是工业预测性维护的核心环节旨在通过分析设备运行数据提前识别潜在故障避免非计划停机。其原理在于设备故障往往会在振动、声音、温度等信号中产生特定的、可被学习的模式。深度学习技术特别是卷积神经网络因其强大的特征自动提取能力为从海量、高维的原始信号中识别这些微弱、复杂的故障模式提供了高效解决方案显著提升了诊断的准确性和自动化水平。这一技术价值在于它能够替代传统依赖专家经验的诊断方法实现数据驱动的、可复制的智能运维。在工业场景中如旋转机械的健康监测深度学习模型能够处理来自加速度计、麦克风等传感器的时序数据对滚动轴承的内圈、外圈、滚动体故障进行精准分类与早期预警。本文以经典的凯斯西储大学轴承数据集为例详细对比了1D-CNN、2D-CNN以及Transformer等模型在轴承故障诊断任务上的实战应用与工程化部署路径为构建端到端的智能诊断系统提供了完整参考。1. 项目缘起从“听声辨位”到“数据驱动”的轴承健康管理在工业现场待过的人都知道滚动轴承是旋转机械的“关节”它的健康状态直接决定了整条产线的生死。早些年老师傅们靠一把听音棒贴着设备外壳凭借多年经验“听声辨位”判断轴承是轻微磨损还是即将“抱死”。这种技艺固然高超但高度依赖个人经验难以量化、复制更无法应对现代高速、高负荷、连续生产的复杂工况。我接手过不少设备预测性维护的项目核心痛点始终如一故障样本太少。一个轴承从安装到彻底失效其生命周期中99%的时间都处于正常状态那1%的故障数据尤其是早期微弱故障极其珍贵且难以获取。等到振动烈度明显超标、温度骤升时往往已经临近 catastrophic failure灾难性失效留给运维人员的反应窗口非常短。深度学习技术的成熟为解决这个“小样本、弱信号”的故障诊断难题提供了新思路。它不再依赖人工定义复杂的特征如峭度、峰值因子、包络谱而是让算法直接从原始的振动信号、声音信号甚至温度序列中自动学习并提取最能表征故障状态的特征。这就像给设备装上了一位不知疲倦、经验可无限复制的“AI老师傅”。因此这个项目的目的很明确构建一个端到端的、基于Python和深度学习的滚动轴承智能故障诊断系统原型。它要能完成从原始数据输入到故障类型及严重程度输出的全过程并且具备良好的可解释性和工程落地潜力。本文将围绕这个核心目标拆解其中的关键技术选型、数据工程、模型构建、系统集成等全链路细节并分享我在实际开发中踩过的坑和总结的经验。2. 诊断系统的核心架构与数据基石一个完整的智能诊断系统绝非一个孤立的深度学习模型。它是一套包含数据流、算法流和业务流的工程体系。在动手写第一行代码之前我们必须先厘清系统的顶层架构。2.1 系统架构设计从信号到决策的流水线我设计的系统主要包含以下五个核心模块它们构成了一个标准的数据处理流水线数据采集与接入模块负责从各种传感器加速度计、麦克风、温度传感器或已有的数据采集系统中实时或批量地获取原始时域信号。这部分通常由硬件或底层工控系统完成我们的系统通过文件接口如CSV、MAT、数据库接口或消息队列如Kafka来接入这些数据。信号预处理与特征工程模块这是将物理信号转化为算法可“理解”的语言的关键一步。包括去噪、滤波、归一化、分段等操作。对于深度学习我们更倾向于进行“浅层”预处理而将复杂的特征提取任务交给网络本身。深度学习模型模块系统的“大脑”。接收预处理后的数据输出故障的分类如内圈故障、外圈故障、滚动体故障或回归结果如剩余使用寿命RUL。模型需要兼顾高精度、高速度以及一定的抗噪鲁棒性。模型服务与推理模块将训练好的模型封装成可调用的服务如RESTful API或gRPC服务以便其他系统如MES、SCADA或前端界面能够实时提交数据并获取诊断结果。可视化与报警模块将诊断结果、置信度、历史趋势等以图表形式直观展示并设定阈值触发不同等级的报警预警、告警、紧急停机建议。这个架构确保了系统的模块化和可扩展性。例如你可以轻易地更换不同的深度学习模型或者增加新的数据源类型。2.2 数据集诊断模型的“粮食”与“教材”没有高质量的数据再精巧的模型也是空中楼阁。滚动轴承故障诊断领域经过多年发展已经沉淀了一批公开的、标注完善的基准数据集这是我们项目得以启动的前提。凯斯西储大学轴承数据中心数据集这是最经典、使用最广泛的数据集没有之一。它提供了不同负载、不同转速下轴承内圈、外圈、滚动体的单点故障数据故障直径从0.007英寸到0.028英寸不等。数据以MAT文件格式提供包含驱动端和风扇端的振动加速度信号。注意使用CWRU数据时务必注意其采样频率12kHz或48kHz和故障位置驱动端DE、风扇端FE、基座BA。不同位置的信号特征差异显著混合使用前需要明确场景。西安交通大学轴承数据集相较于CWRU的实验室数据XJTU-SY数据集提供了更接近工业实际的运行条件。它包含了轴承从正常状态到完全失效的全生命周期数据非常适合用于剩余使用寿命预测任务。数据量更大工况更复杂。MFPT故障数据集由机械故障预防技术协会发布包含了轴承在多种负载和故障状态下的数据特别适合研究变工况下的故障诊断问题。PHM 2012 数据挑战赛数据集这个数据集来自真实的航空发动机轴承加速寿命试验数据具有强非平稳性和噪声挑战性极大适合用于测试模型的鲁棒性。自建数据集策略公开数据集是学习和验证算法的绝佳起点但要真正落地往往需要结合特定设备的自建数据。我的经验是合作采集与设备厂商或用户合作在关键设备上安装传感器进行长期监测。故障植入在实验室或备用设备上人工制造标准故障如电火花加工故障点获取“可控”的故障数据。这是弥补自然故障数据不足的有效手段。数据增强对于故障样本可以采用添加噪声、时移、缩放、频率微扰等方法进行数据增强以有限的数据模拟出无限接近真实场景的变体。在本项目中为了演示的完整性我们将主要基于CWRU数据集进行开发因为它结构清晰易于获取且相关研究充分便于我们对比和验证模型效果。我会详细说明如何下载、解析并预处理这个数据集使其适配我们的深度学习模型。3. 深度学习模型选型从CNN到Transformer的实战对比选择什么样的模型是项目的核心决策。轴承振动信号本质上是一维时间序列但我们可以通过时频分析如短时傅里叶变换STFT、小波变换将其转化为二维时频图像从而拓宽模型的选择面。下面我对比了几种主流架构的优缺点和适用场景。3.1 卷积神经网络稳健的“图像识别专家”CNN是处理图像数据的首选当我们将振动信号转换为时频图后CNN就能大显身手。核心思想利用卷积核在时频图上滑动自动提取局部特征如故障冲击在特定频带上的能量聚集并通过池化层逐步抽象出更高层的特征。经典网络LeNet-5 / 自定义浅层CNN参数量小训练快对于特征明显的故障如CWRU中的严重故障效果很好适合嵌入式部署或快速原型验证。ResNet / DenseNet引入了残差连接或密集连接解决了深层网络梯度消失的问题能够构建更深的网络以提取更复杂、更细微的故障特征对早期微弱故障的诊断能力更强。我的实战经验输入设计我常用(height, width, channels) (128, 128, 1)的灰度时频图作为输入。height对应频率轴width对应时间轴。数据增强对时频图进行随机的水平翻转时间轴、轻微的裁剪、亮度对比度调整可以有效提升模型的泛化能力防止过拟合。一个坑直接使用ImageNet上预训练的权重如ResNet50初始化网络效果可能并不好。因为自然图像和振动时频图的纹理、统计特性差异巨大。更推荐的做法是随机初始化或在小规模轴承数据集上做预训练。3.2 一维卷积神经网络原汁原味的“序列处理者”1D-CNN直接处理原始的一维振动信号省去了时频变换的步骤计算效率更高且保留了信号的原始相位信息。核心思想使用一维卷积核在时间序列上滑动提取不同时间尺度上的局部模式。多个卷积层堆叠可以捕获从短时冲击到长时趋势的各种特征。网络结构通常由多个“卷积-BN-激活-池化”块堆叠而成最后接全连接层分类。我的实战经验卷积核大小第一层卷积核不宜过大如3, 5, 7用于捕捉高频的故障冲击成分深层可以使用更大的卷积核或空洞卷积来扩大感受野捕捉低频的调制现象。通道数如果数据来自多个传感器如水平、垂直、轴向振动可以将它们作为不同的输入通道让网络自行学习通道间的关联。优势模型简单训练速度快对于明显的周期性冲击故障非常有效。在许多工业场景中1D-CNN因其高效和可靠往往是首选方案。3.3 循环神经网络与长短期记忆网络捕捉时间依赖的“记忆大师”RNN/LSTM专为序列数据设计理论上能更好地建模振动信号中前后时刻的依赖关系比如故障冲击的周期性。核心思想通过内部状态隐藏状态来“记忆”之前看到的信息并用于当前时刻的预测。实战挑战梯度问题原始RNN存在梯度消失/爆炸问题LSTM和GRU通过门控机制缓解了这一点但训练依然比CNN复杂。计算成本无法像CNN那样并行化处理整个序列训练速度慢。长程依赖对于非常长的序列LSTM捕捉长程依赖的能力依然有限。我的使用场景我更多地将LSTM用于剩余使用寿命预测任务因为它需要根据历史健康退化序列来预测未来的趋势。对于单纯的故障分类CNN通常更简单有效。3.4 Transformer与自注意力机制新时代的“关系建模者”Transformer在NLP领域大放异彩后也开始在时间序列分析中应用。其核心是自注意力机制可以计算序列中任意两个时间点之间的关系权重。核心思想让模型自己决定在诊断当前时刻的状态时应该“注意”历史序列中的哪些部分。这对于发现故障冲击之间的复杂关系和非平稳信号中的关键片段很有潜力。模型变种如Informer、Autoformer等专门针对长时间序列预测进行了优化。我的实战体会数据需求大Transformer通常需要更大的数据量才能充分训练避免过拟合。在有限的轴承数据上直接套用大型Transformer可能效果不佳。位置编码由于Transformer本身没有位置信息必须为时间序列添加位置编码这是影响性能的关键。前景与现状Transformer在故障诊断领域仍处于探索阶段在一些复杂故障、复合故障的诊断上显示出潜力但工业部署的成熟度和稳定性尚不及CNN。目前更适合作为研究方向的补充。综合选型建议对于大多数入门和工业原型项目我强烈推荐从1D-CNN或2D-CNN基于时频图开始。它们结构清晰训练稳定资源消耗相对可控且有大量成功案例可参考。在本项目的后续实现中我将以1D-CNN和基于时频图的2D-CNN为例给出完整的代码实现和对比分析。4. 从零构建基于Python的故障诊断系统全流程实现接下来我们进入实战环节。我将以CWRU数据集为例展示构建一个完整诊断系统的每一步。假设我们的任务是使用驱动端DE的加速度数据诊断轴承在0负载下的四种状态正常、内圈故障、外圈故障、滚动体故障。4.1 环境准备与数据加载首先搭建Python环境。我习惯使用Anaconda进行环境管理。# 创建并激活环境 conda create -n bearing_diagnosis python3.8 conda activate bearing_diagnosis # 安装核心库 pip install numpy pandas matplotlib scikit-learn pip install tensorflow2.10 # 或 pip install torch torchvision torchaudio pip install scipy jupyter这里我选择TensorFlow作为深度学习框架你也可以用PyTorch逻辑是相通的。数据加载与解析是关键的第一步。CWRU数据是.mat文件我们需要用scipy.io来读取。import os import numpy as np import pandas as pd from scipy.io import loadmat import matplotlib.pyplot as plt # 假设数据已下载到 ./data/CWRU/ 目录下 data_dir ./data/CWRU/ # 定义故障类型与文件名的映射示例需根据实际文件调整 file_map { normal: [97.mat, 98.mat, 99.mat], # 正常数据 inner: [105.mat, 106.mat, 107.mat], # 内圈故障 outer: [130.mat, 131.mat, 132.mat], # 外圈故障 ball: [118.mat, 119.mat, 120.mat], # 滚动体故障 } def load_cwru_file(filepath): 加载单个.mat文件提取驱动端振动信号 mat_data loadmat(filepath) # CWRU数据中振动信号通常保存在以‘DE’开头的变量名里需要查看文件具体内容 # 例如: key X097_DE_time for key in mat_data.keys(): if DE in key and time in key: # 找到驱动端时域信号 vibration_signal mat_data[key].flatten() # 转换为一维数组 return vibration_signal raise ValueError(f未在文件 {filepath} 中找到驱动端振动信号) # 循环加载所有数据并打上标签 X [] # 存储信号片段 y [] # 存储标签 label_to_id {normal: 0, inner: 1, outer: 2, ball: 3} segment_length 1024 # 每个样本的长度 for label, files in file_map.items(): for file in files: file_path os.path.join(data_dir, file) signal load_cwru_file(file_path) # 将长信号分割成固定长度的片段增加样本量 num_segments len(signal) // segment_length for i in range(num_segments): segment signal[i*segment_length:(i1)*segment_length] X.append(segment) y.append(label_to_id[label]) X np.array(X) y np.array(y) print(f数据加载完成。总样本数: {X.shape}, 标签形状: {y.shape})4.2 信号预处理与特征工程为1D-CNN准备对于1D-CNN我们主要做标准化和简单的滤波。from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler # 1. 划分训练集和测试集 X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42, stratifyy) # 2. 标准化按特征即每个时间点进行标准化消除量纲影响 # 注意拟合只使用训练集避免数据泄露 scaler StandardScaler() # 将二维数据重塑为 (样本数*序列长度, 1) 以适应scaler再转回 X_train_reshaped X_train.reshape(-1, 1) X_test_reshaped X_test.reshape(-1, 1) scaler.fit(X_train_reshaped) X_train_scaled scaler.transform(X_train_reshaped).reshape(X_train.shape) X_test_scaled scaler.transform(X_test_reshaped).reshape(X_test.shape) # 3. 为1D-CNN调整输入形状: (样本数, 序列长度, 通道数) X_train_1d X_train_scaled[..., np.newaxis] # 增加一个通道维度 X_test_1d X_test_scaled[..., np.newaxis] print(f1D-CNN输入形状 - 训练集: {X_train_1d.shape}, 测试集: {X_test_1d.shape})4.3 构建并训练1D-CNN模型现在我们用TensorFlow Keras API构建一个简单的1D-CNN模型。import tensorflow as tf from tensorflow.keras import layers, models def build_1d_cnn_model(input_shape, num_classes): model models.Sequential([ # 第一层卷积捕捉高频细节 layers.Conv1D(filters64, kernel_size3, activationrelu, input_shapeinput_shape), layers.BatchNormalization(), layers.MaxPooling1D(pool_size2), # 第二层卷积扩大感受野 layers.Conv1D(filters128, kernel_size3, activationrelu), layers.BatchNormalization(), layers.MaxPooling1D(pool_size2), # 第三层卷积 layers.Conv1D(filters256, kernel_size3, activationrelu), layers.BatchNormalization(), layers.GlobalAveragePooling1D(), # 全局平均池化替代FlattenDense参数更少更不易过拟合 # 全连接层 layers.Dense(128, activationrelu), layers.Dropout(0.5), # 丢弃层防止过拟合 # 输出层 layers.Dense(num_classes, activationsoftmax) ]) return model # 定义模型参数 input_shape (segment_length, 1) # (1024, 1) num_classes len(label_to_id) # 4 model_1d build_1d_cnn_model(input_shape, num_classes) model_1d.summary() # 打印模型结构 # 编译模型 model_1d.compile(optimizeradam, losssparse_categorical_crossentropy, metrics[accuracy]) # 设置回调函数早停和模型保存 callbacks [ tf.keras.callbacks.EarlyStopping(monitorval_loss, patience10, restore_best_weightsTrue), tf.keras.callbacks.ModelCheckpoint(best_1d_cnn_model.h5, monitorval_accuracy, save_best_onlyTrue) ] # 训练模型 history_1d model_1d.fit(X_train_1d, y_train, epochs50, batch_size32, validation_split0.1, callbackscallbacks, verbose1) # 在测试集上评估 test_loss, test_acc model_1d.evaluate(X_test_1d, y_test, verbose0) print(f\n1D-CNN模型在测试集上的准确率: {test_acc:.4f})4.4 时频变换与2D-CNN模型构建对于2D-CNN我们需要将一维信号转换为时频图像。这里使用短时傅里叶变换。from scipy import signal import cv2 # 用于图像缩放 def stft_transform(series, fs12000, nperseg256, noverlap128): 对一维序列进行STFT并返回幅度谱 f, t, Zxx signal.stft(series, fsfs, npersegnperseg, noverlapnoverlap) # 取幅度并转换为分贝尺度使特征更明显 magnitude np.abs(Zxx) # 避免log(0)加一个极小值 db_spectrogram 20 * np.log10(magnitude 1e-10) return db_spectrogram def create_spectrogram_dataset(X_data, target_size(128, 128)): 将一批一维信号转换为时频图数据集 spectrograms [] for series in X_data: spec stft_transform(series) # 将时频图缩放到统一尺寸方便CNN输入 spec_resized cv2.resize(spec, target_size, interpolationcv2.INTER_CUBIC) # 归一化到[0,1] spec_normalized (spec_resized - spec_resized.min()) / (spec_resized.max() - spec_resized.min() 1e-10) spectrograms.append(spec_normalized) # 调整形状: (样本数, 高, 宽, 通道数) return np.array(spectrograms)[..., np.newaxis] # 为训练集和测试集生成时频图 (此步骤较耗时可以考虑保存结果) print(正在生成训练集时频图...) X_train_spec create_spectrogram_dataset(X_train_scaled) print(正在生成测试集时频图...) X_test_spec create_spectrogram_dataset(X_test_scaled) print(f时频图数据集形状 - 训练集: {X_train_spec.shape}, 测试集: {X_test_spec.shape}) # 构建2D-CNN模型 (一个简单的类VGG结构) def build_2d_cnn_model(input_shape, num_classes): model models.Sequential([ layers.Conv2D(32, (3,3), activationrelu, paddingsame, input_shapeinput_shape), layers.BatchNormalization(), layers.Conv2D(32, (3,3), activationrelu, paddingsame), layers.BatchNormalization(), layers.MaxPooling2D((2,2)), layers.Conv2D(64, (3,3), activationrelu, paddingsame), layers.BatchNormalization(), layers.Conv2D(64, (3,3), activationrelu, paddingsame), layers.BatchNormalization(), layers.MaxPooling2D((2,2)), layers.GlobalAveragePooling2D(), layers.Dense(128, activationrelu), layers.Dropout(0.5), layers.Dense(num_classes, activationsoftmax) ]) return model input_shape_2d (128, 128, 1) model_2d build_2d_cnn_model(input_shape_2d, num_classes) model_2d.compile(optimizeradam, losssparse_categorical_crossentropy, metrics[accuracy]) history_2d model_2d.fit(X_train_spec, y_train, epochs30, # 时频图训练可能更快收敛 batch_size16, validation_split0.1, callbacks[tf.keras.callbacks.EarlyStopping(patience5)], verbose1) test_loss_2d, test_acc_2d model_2d.evaluate(X_test_spec, y_test, verbose0) print(f\n2D-CNN模型在测试集上的准确率: {test_acc_2d:.4f})4.5 模型评估、可视化与解释训练完成后我们不能只看准确率。混淆矩阵和ROC曲线能告诉我们更多。from sklearn.metrics import confusion_matrix, classification_report, roc_curve, auc from sklearn.preprocessing import label_binarize import seaborn as sns # 1. 使用1D-CNN模型进行预测 y_pred_prob_1d model_1d.predict(X_test_1d) y_pred_1d np.argmax(y_pred_prob_1d, axis1) # 2. 生成分类报告 print(1D-CNN分类报告:) print(classification_report(y_test, y_pred_1d, target_nameslabel_to_id.keys())) # 3. 绘制混淆矩阵 cm confusion_matrix(y_test, y_pred_1d) plt.figure(figsize(8,6)) sns.heatmap(cm, annotTrue, fmtd, cmapBlues, xticklabelslabel_to_id.keys(), yticklabelslabel_to_id.keys()) plt.ylabel(真实标签) plt.xlabel(预测标签) plt.title(1D-CNN混淆矩阵) plt.show() # 4. 绘制ROC曲线 (多分类) y_test_bin label_binarize(y_test, classes[0,1,2,3]) n_classes y_test_bin.shape[1] fpr {} tpr {} roc_auc {} for i in range(n_classes): fpr[i], tpr[i], _ roc_curve(y_test_bin[:, i], y_pred_prob_1d[:, i]) roc_auc[i] auc(fpr[i], tpr[i]) plt.figure(figsize(10,8)) colors [blue, red, green, orange] for i, color in zip(range(n_classes), colors): plt.plot(fpr[i], tpr[i], colorcolor, lw2, labelROC curve of class {0} (area {1:0.2f}).format(list(label_to_id.keys())[i], roc_auc[i])) plt.plot([0, 1], [0, 1], k--, lw2) plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel(False Positive Rate) plt.ylabel(True Positive Rate) plt.title(多分类ROC曲线) plt.legend(loclower right) plt.show()通过混淆矩阵我们可以清晰看到模型在哪些类别上容易混淆例如外圈故障和滚动体故障的冲击特征有时相似。ROC曲线和AUC值则给出了模型在不同分类阈值下的整体性能。5. 工程化与部署让模型从实验室走向车间模型在Jupyter Notebook里跑出高精度只是第一步。要让其真正产生价值必须将其工程化集成到现有的运维体系中。5.1 模型服务化封装为API我们可以使用轻量级的Web框架如Flask或FastAPI将模型包装成RESTful API服务。# app.py (FastAPI示例) from fastapi import FastAPI, File, UploadFile import numpy as np import tensorflow as tf from io import BytesIO import uvicorn app FastAPI(title轴承故障诊断API) # 加载训练好的模型 model tf.keras.models.load_model(best_1d_cnn_model.h5) # 加载之前拟合的标准化器 (需要保存并加载) # import joblib # scaler joblib.load(scaler.pkl) app.post(/predict/) async def predict(file: UploadFile File(...)): 接收振动数据文件如CSV单列数据返回故障诊断结果。 contents await file.read() # 假设文件是单列CSV包含一段振动信号 data np.loadtxt(BytesIO(contents), delimiter,) # 1. 预处理分段、标准化此处简化实际需与训练时完全一致 segment preprocess_signal(data) # 自定义预处理函数 segment_scaled scaler.transform(segment.reshape(-1, 1)).reshape(segment.shape) segment_input segment_scaled[np.newaxis, ..., np.newaxis] # 2. 预测 prediction model.predict(segment_input) class_idx np.argmax(prediction[0]) confidence float(np.max(prediction[0])) # 3. 返回结果 class_names [正常, 内圈故障, 外圈故障, 滚动体故障] result { status: success, prediction: class_names[class_idx], confidence: confidence, probabilities: prediction[0].tolist() } return result def preprocess_signal(signal, segment_len1024): 预处理函数示例取信号中间一段或做滑动平均分段 # 这里简单取前segment_len个点实际应用需更鲁棒的处理 if len(signal) segment_len: return signal[:segment_len] else: # 处理信号长度不足的情况例如填充 return np.pad(signal, (0, segment_len - len(signal)), constant) if __name__ __main__: uvicorn.run(app, host0.0.0.0, port8000)部署后PLC或数据采集系统可以通过HTTP请求将实时采集到的数据片段发送到这个API即可获得诊断结果。5.2 前端可视化打造监控仪表盘一个直观的仪表盘对于运维人员至关重要。可以使用Streamlit、Dash或Gradio快速搭建原型。# streamlit_app.py import streamlit as st import pandas as pd import numpy as np import plotly.graph_objects as go import requests st.set_page_config(page_title轴承健康状态实时监控, layoutwide) st.title(滚动轴承智能故障诊断系统) # 侧边栏数据上传或模拟数据生成 st.sidebar.header(数据输入) uploaded_file st.sidebar.file_uploader(上传振动数据CSV文件, type[csv]) if uploaded_file is not None: data pd.read_csv(uploaded_file, headerNone).iloc[:, 0].values else: # 模拟生成一段数据 st.sidebar.subheader(或使用模拟数据) fault_type st.sidebar.selectbox(选择故障类型, [正常, 内圈故障, 外圈故障, 滚动体故障]) data simulate_bearing_signal(fault_type) # 自定义模拟函数 # 主界面图表展示 col1, col2 st.columns(2) with col1: st.subheader(振动时域信号) fig_time go.Figure(datago.Scatter(ydata[:1000], modelines)) st.plotly_chart(fig_time, use_container_widthTrue) with col2: st.subheader(频谱分析) # 计算FFT并绘图 fft_vals np.fft.fft(data) freqs np.fft.fftfreq(len(data), d1/12000) # 假设采样率12kHz fig_freq go.Figure(datago.Scatter(xfreqs[:len(freqs)//2], ynp.abs(fft_vals[:len(fft_vals)//2]))) st.plotly_chart(fig_freq, use_container_widthTrue) # 诊断按钮 if st.button(开始诊断): with st.spinner(模型分析中...): # 将数据发送到后端API # 这里简化处理实际应调用上面定义的 /predict/ 接口 # response requests.post(http://localhost:8000/predict/, files{file: ...}) # result response.json() result {prediction: 内圈故障, confidence: 0.95} # 模拟结果 st.success(诊断完成) st.metric(label诊断结果, valueresult[prediction]) st.metric(label置信度, valuef{result[confidence]:.2%}) # 健康状态指示器 if result[prediction] 正常: st.balloons() else: st.error(f检测到故障{result[prediction]}建议安排检查)这个简单的仪表盘可以展示实时波形、频谱并触发诊断给出直观的结果和报警。5.3 持续学习与模型更新工业现场的数据分布可能会随时间漂移设备磨损、工况变化导致模型性能下降。因此系统需要支持持续学习。在线学习在边缘设备或网关上进行模型增量训练需要处理灾难性遗忘问题技术难度较高。定期重训练更实用的策略是定期如每季度收集新的运行数据在云端或服务器上对模型进行全量重训练和验证然后更新线上服务模型。需要建立数据版本管理和模型版本管理的管道。主动学习当模型对某些数据的预测置信度很低时可以将其标记出来交由专家进行人工标注然后将这些高质量的新样本加入训练集。6. 避坑指南与经验总结在开发和部署这类系统的过程中我踩过不少坑这里总结几条最关键的数据一致性是生命线训练数据的采集条件传感器型号、安装位置、采样频率、负载转速必须与线上推理时的条件尽可能一致。一个在实验室电机上训练的模型直接用到大型风机上效果大概率会很差。数据预处理流程必须完全一致包括滤波参数、标准化参数等。警惕“过拟合”与“数据泄露”在划分训练集、验证集和测试集时必须确保来自同一轴承、同一段连续运行数据的不同片段不会同时出现在训练集和测试集中否则就是严重的数据泄露会得到虚高的准确率。应该按轴承ID或运行时间段来划分。模型轻量化与部署环境匹配实验室用的GPU服务器性能强大但工业现场可能只有工控机甚至嵌入式设备。在模型设计初期就要考虑计算量和参数量。可以尝试模型剪枝、量化、知识蒸馏等技术来压缩模型或者直接选择MobileNet、SqueezeNet等轻量级架构。故障诊断≠故障预测我们这个项目主要解决的是“当下是什么状态”的分类问题。而“还能运行多久”的预测问题RUL更为复杂需要寿命周期数据且评估指标如RMSE、Score函数完全不同。不要混淆两个任务的目标。可解释性至关重要在工业领域仅仅给出一个“内圈故障置信度95%”的结果是不够的。运维人员需要知道“为什么”。可以引入梯度加权类激活映射等技术可视化出模型做出判断所依据的输入信号中的关键区域比如时频图中的某个频带这能极大增强用户对AI系统的信任。从单点故障到复合故障现实中的故障往往是复合的、渐变的。我们的模型通常针对单一故障点训练。如何检测和识别复合故障是一个更具挑战性的前沿课题可以考虑多标签分类或更复杂的网络结构。构建一个可靠的滚动轴承智能故障诊断系统是一个融合了信号处理、机器学习、软件工程和领域知识的综合性项目。从公开数据集出发快速验证算法原型再到针对具体场景进行数据采集、模型优化和系统集成每一步都需要严谨的工程思维和不断的迭代调试。希望这份详细的指南和代码能为你开启工业智能运维的大门提供一块坚实的垫脚石。在实际操作中最深刻的体会永远是贴近数据理解物理过程用最简单的模型解决最核心的问题在迭代中不断进化。本文还有配套的精品资源点击获取