空气压缩机在工厂里是个不起眼、但一旦掉链子就全厂难受的角色。我最近在一个设备健康管理的模拟项目里做故障诊断目标非常具体通过壳体振动信号区分正常、轴承外圈故障、气阀故障和活塞环磨损四种状态。一开始按老套路提取时域特征、FFT频谱四分类准确率在85%左右晃悠后来换成**小波散射网络Wavelet Scattering Network**提取特征再接一个多分类SVM准确率直接冲到95%以上而且整个流程在MATLAB r2021b环境下跑得非常顺不需要搭深度网络也不需要攒几万条故障样本。这篇复盘把整条技术路线拆开来讲为什么传统特征诊断空压机吃力、小波散射网络的底层机制到底是怎么回事、代码怎么一步步落地、参数怎么调、坑在哪。适合正在做设备故障诊断、机械信号处理或者在小样本条件下想找更强特征提取方式的朋友参考。1. 切入角度为什么故障诊断非换散射网络不可1.1 空气压缩机故障诊断到底难在哪空压机的故障种类比很多人想象中多。常见的有轴承类故障包括内圈、外圈、滚动体损伤气阀故障包括阀片磨损、弹簧断裂、密封不严活塞环磨损导致窜气还有转子不平衡、皮带松动这类机械松动问题。不同类型故障的振动表现形式差异很大但有一个共同点早期故障信号非常微弱很容易淹没在背景噪声里。压缩机本身工作环境恶劣机身振动本来就大电机、皮带轮、气阀动作都会引入强烈的干扰成分。你在壳体上装一个加速度传感器采集到的信号往往是工频谐波随机噪声故障冲击其他机械部件振动的混合体。故障冲击信号通常是非平稳的、瞬态的持续时间可能只有几毫秒到几十毫秒传统的平稳信号分析工具在这种情况下会非常别扭。工况变化也是个绕不开的难点。同一台压缩机负载从轻到重主轴转速从低到高故障信号的表现形态可能完全不同。同一个轴承故障在不同转速下产生的冲击频率不一样能量幅值也不一样。这意味着如果特征提取方式太依赖绝对频率或绝对幅值模型在一个工况下训练得很好换一个工况性能就大幅下滑。我刚开始做这个项目时最痛苦的就是特征工程部分手工设计特征需要领域知识而且每次换一个机型和工况之前的特征组合常常又要重新调整。1.2 传统特征和深度学习的两头为难传统时域特征比如均方根值、峰值因子、峭度实现起来非常简单在很多产线监控系统里跑了几十年。但这类统计量的问题在于信息量太少只能给出一个异常程度的粗糙判断很难回答到底是轴承坏了还是气阀坏了这种问题。峭度确实对冲击敏感但空压机里正常的气阀动作冲击就有不少误报率会很高。频域特征是主流方案之一对平稳信号效果不错FFT谱里的特征频率可以对应到具体故障类型。问题是空压机振动信号里非平稳成分占比太高单纯看频谱会把瞬态冲击信号的能量平均到很宽的频带上故障特征被稀释。短时傅里叶变换可以加窗看时频分布但窗长一旦固定时间和频率分辨率就互相制约窗选短了频率看不清窗选长了时间定位又丢了只能做一个折中。小波变换确实能解决一部分这个问题多分辨率特性很契合非平稳信号但直接用小波系数做分类并不方便系数维度太大、冗余度高直接喂给分类器效果反而不好。深度学习的方法尤其是各种一维卷积网络在故障诊断领域很火。它们的特征提取是全自动的不需要手工设计。但工业现场的现实是故障样本极度稀缺一台正常运行的机器可能一年也积累不了多少故障数据。CNN类模型动辄几万、几十万参数几十个训练样本根本喂不饱。我之前试过用小样本训练一维CNN结果训练集准确率很高测试集直接崩过拟合问题非常严重。就算加上各种数据增强稳定性也远远不够现场可靠。1.3 小波散射网络恰好补上了这个空档小波散射网络本质上是一种把非平稳信号转成稳定特征表示的方法由Mallat在2012年前后提出。它通过多级小波变换、取模和非线性平均把信号转化为一组对平移不敏感、对噪声稳定、对形变鲁棒的特征。最关键的是它不需要用数据来训练。不需要训练这一点在工业场景里太重要了。这意味着模型参数数量骤减只有几个超参数需要人工设定再也不存在背后有几千个权重等着你去拟合的问题。做完散射特征提取后只需要接一个简单的分类器比如SVM、逻辑回归甚至一棵随机森林就能获得不错的效果。对几十个样本的训练集来说这种手工固定特征提取轻量分类器的路线往比从头训练深度网络稳得多。这也是我最后决定用这套方案的根本原因小样本条件下与其让网络去学一个不可控的高维表征不如用有理论基础的小波散射网络做特征变换再交给一个不容易过拟合的经典分类器去分类。2. 底层原理小波散射网络的关键机制解读2.1 从短时傅里叶到小波变换为什么要多尺度看信号要理解散射网络先要理解小波变换在做什么。经典傅里叶变换把信号拆成不同频率的正弦波叠加频率信息很完整但时间信息全丢了。短时傅里叶变换加了个固定长度窗口可以同时看到时间-频率密度但受海森堡测不准原理制约——时间分辨率和频率分辨率的乘积有下限而固定窗长决定了两者的分配关系无法按需调整。小波变换的思路比较巧妙用一系列经过伸缩和平移的小波基去匹配信号。高频成分用短时间、窄尺度的小波去分析低频成分用长时间、宽尺度的小波去分析。这就相当于你用不同倍率的放大镜去检查一张图纸看细节的用高倍镜看整体布局的用低倍镜。这种自适应的多尺度能力让它非常适合处理含瞬态冲击的机械振动信号。连续小波变换的表达式是将信号 x(t) 与小波基函数的缩放和平移副本做内积。实际操作中我们并不直接用小波系数而是通过滤波组实现离散小波变换。空气压缩机故障信号里的冲击成分会在多个尺度上表现出不同特征低频段反映故障冲击的周期性重复规律高频段反映冲击本身的瞬态形态多尺度分析能力正是这些诊断信息所需要的。2.2 散射网络的坐标小波变换→取模→低通平均小波散射网络的核心结构可以拆成三块串联的运算小波变换、取模运算、低通平均。第一层运算可以这样理解先将信号 x 通过一组不同尺度的小波滤波器 ψλ得到一组小波系数然后对每个系数取复数模值最后用低通滤波器 φ 对模值序列做局部平均得到一阶散射系数 S1。取模这一步把小波系数的振荡相位去掉了同时保证平移变化时能量分布特征相对稳定。低通平均则是把信号在局部窗口内的小幅时移磨平让特征对时间位置的微小变化不敏感。但只做一层是不够的。第一层低通平均会把细节信息丢掉而这些细节里往往藏着故障的关键特征——比如轴承外圈损伤产生的周期性冲击经过第一层之后冲击之间的间隔信息可能被平均掉。所以散射网络会继续做第二层把第一层的模值信号残差部分再次进行小波变换、取模、低通得到二阶散射系数 S2。S2捕获的是频率的调制结构也就是高频分量被低频分量调制的模式恰好对应机械故障中冲击事件按照某个故障特征频率反复出现的现象。散射网络通常默认计算到二阶一阶、二阶系数拼接起来就是最终的散射特征。在实际应用中一阶系数主要提供信号能量随尺度的分布二阶系数提供尺度之间的交互调制信息两者互补。对空压机振动信号来说气阀漏气、轴承点蚀这类故障往往表现为冲击调制模式的变化二阶系数的加入非常关键。2.3 为什么散射特征比手工特征更抗造散射网络给出的特征具备两项非常重要的数学性质平移不变性和稳定性。平移不变性意味着改变信号在时间轴上的起始位置特征变化很小稳定性用数学术语说就是 Lipschitz 连续意味着信号本身的微小扰动不会引起特征向量的剧烈跳变。这两项性质对小样本分类来说是保命级别的要求因为小样本场景下最怕输入发生细微变化导致特征完全走样。散射网络与CNN对比有一个很直观的理解方式散射网络其实是一个固定权重、不做学习的CNN。CNN卷积层中需要从数据学习出来的卷积核在散射网络中被预先指定的小波滤波器替代CNN的池化层在散射网络中被低通滤波和下采样替代CNN的ReLU非线性激活在散射网络中被复数取模替代。区别在于CNN的滤波器是数据驱动的而散射网络的滤波器是解析构造的、有明确物理意义的。当然散射网络并非万能。它固定了滤波器结构无法针对特定故障类型做调优在数据多到足够训练CNN时深度网络的上限通常更高。但在样本量小、工况复杂、要求结果稳健的工业场景里散射网络这种内置先验的特征提取方式反而是一种保护不会因为数据不足而学到一堆没泛化能力的摆设特征。3. MATLAB r2021b 从零实现全流程3.1 环境准备与工具箱清单这个项目的开发环境是 MATLAB r2021b配套两个关键工具箱Wavelet Toolbox提供waveletScattering和featureMatrix函数和Statistics and Machine Learning Toolbox提供fitcecoc多分类SVM。如果你的许可证里没有这两个工具箱代码跑不起来建议先确认一下。安装配置完成后建议先在命令窗口输入ver确认工具箱版本正常。小波散射网络在 r2021b 中已经非常成熟不需要外挂任何第三方工具包这一点对国内很多不便于随意联网安装依赖的工业用户来说很友好。数据获取方式上我在这个项目里用的是某实验台架的实测振动数据加速度传感器吸附在压缩机缸盖和轴承座位置采样率设置为20 kHz每个样本截取2048个点对应约0.1秒的振动片段。实际工程中采样率建议至少覆盖故障冲击频率的5到10倍20 kHz对空压机这类中低速旋转机械基本够用。如果传感器采样率太低高频故障冲击会被模糊掉后处理再怎么努力也补不回来。3.2 数据加载与预处理脚本数据预处理的核心是三个动作去均值、归一化、切分样本。去均值是为了消除传感器零点漂移和直流分量归一化是为了让不同工况下幅值差异不至于影响特征比较。我在实际项目中按照剩余可用样本数 ÷ 想要的样本数的方式做重叠切分相邻样本重叠50%这样一个长时间连续信号可以扩展出大量样本对小样本问题的缓解非常明显。下面这段代码演示了当原始数据按类别放在不同文件夹时如何批量读取并按固定长度切分样本% dataRoot 下四个子文件夹normal, bearingOuter, valveFault, ringWear % 每个文件夹下的csv文件第一列为时间第二列为加速度采样率20000 Hz clear; clc; close all; rng(42); Fs 20000; % 采样率 signalLen 2048; % 每个样本长度 overlap 0.5; % 重叠比例 step round(signalLen * (1 - overlap)); classNames {normal, bearingOuter, valveFault, ringWear}; allData cell(0, 2); % {数据向量, 标签} dataRoot ./data/; for cid 1:numel(classNames) files dir(fullfile(dataRoot, classNames{cid}, *.csv)); for f 1:numel(files) raw readmatrix(fullfile(files(f).folder, files(f).name)); sig raw(:, 2); % 加速度列 sig sig - mean(sig); % 去均值 sig sig / max(abs(sig)); % 归一化幅值 % 重叠切分 numSeg floor((numel(sig) - signalLen) / step) 1; for s 1:numSeg seg sig((s-1)*step 1 : (s-1)*step signalLen); allData(end1, :) {seg(:), cid}; %#okSAGROW end end end % 随机打乱并按比例划分训练/测试集 idx randperm(size(allData, 1)); trainRatio 0.7; numTrain round(trainRatio * numel(idx)); trainData zeros(signalLen, numTrain); trainLabels zeros(numTrain, 1); for i 1:numTrain trainData(:, i) allData{idx(i), 1}; trainLabels(i) allData{idx(i), 2}; end numTest numel(idx) - numTrain; testData zeros(signalLen, numTest); testLabels zeros(numTest, 1); for i 1:numTest testData(:, i) allData{idx(numTrain i), 1}; testLabels(i) allData{idx(numTrain i), 2}; end这里有一个操作细节归一化用的是max(abs(sig))而不是标准差目的是把不同采集批次的幅值标定差异消除掉让分类器不用去学习传感器灵敏度差异。如果你知道传感器灵敏度的标定值也可以直接用单位换算后的物理量去训练归一化到统一量纲即可。注意切分样本时要确保每段之间没有重复到让训练集和测试集信息泄漏我通常先把长信号切分完再打乱而不是先打乱整个长信号再切分这样可以避免相邻样本跨集合造成的虚高准确率。3.3 散射网络构建与特征提取散射网络构建是整个流程的核心。我用的是默认的一维waveletScattering对象关键参数设置如下% 构建一维小波散射网络 sf waveletScattering( ... SignalLength, signalLen, ... SamplingFrequency, Fs, ... InvarianceScale, 0.05, ... % 不变尺度 50 ms NumOctaves, 4, ... NumScalesPerOctave, 8 ... );InvarianceScale是决定平移不变性程度的核心参数取0.05秒意味着时间轴上的小型时移只引起特征的小幅变化这个尺度大约是信号总时长的四分之一到一半。NumOctaves决定小波覆盖的频带范围跨度NumScalesPerOctave决定每个八度内安排多少个不同尺度的小波滤波器取8时频率分辨率比较细但对计算量也有一定压力。特征提取需要特别注意featureMatrix的输出维度。该函数对单个信号返回一个矩阵行对应散射路径列对应时间点。如果直接把每个样本的完整特征矩阵拉平成一个向量特征维度会非常大而且时间轴上的细粒度信息对有些分类任务而言反而是噪声。我在实际项目中采用的做法是对每个散射路径在时间轴上进行聚合统计取均值和标准差拼接成最终特征向量。这样特征维度控制在散射路径数的两倍左右分类器的输入维度很干净训练速度也快。% 单样本特征提取辅助函数 function featVec extractFeature(sf, x) feat featureMatrix(sf, x); % [numPaths, numTime] m mean(feat, 2); % 每个路径的时间均值 s std(feat, 0, 2); % 每个路径的时间标准差 featVec [m(:); s(:)]; % 拼接为行向量 end % 批量提取训练集/测试集特征 trainFeatures zeros(size(trainData, 2), 2 * numel(waveletScatteringPaths(sf))); for i 1:size(trainData, 2) trainFeatures(i, :) extractFeature(sf, trainData(:, i)); end testFeatures zeros(size(testData, 2), size(trainFeatures, 2)); for i 1:size(testData, 2) testFeatures(i, :) extractFeature(sf, testData(:, i)); end代码里有一处需要注意waveletScatteringPaths(sf)用于获取散射网络的路径数量比手动猜路径数要可靠得多。我的经验是在跑全量数据之前先对单个样本执行featureMatrix并用size检查输出维度确认特征维度与预期一致后再做批量循环这样能避免循环跑到一半才发现维度对不上、白等很长时间。3.4 分类器训练与性能评估散射特征提取完以后分类器选型就没那么纠结了。在四分类小样本场景下多分类SVM是性价比很高的选择。我用的是fitcecoc做一对一编码配合RBF核同时开启特征标准化。标准化很重要因为散射特征中均值项和标准差项的量纲可能差一个数量级如果不做标准化SVM的核函数计算会偏向量纲大的维度。% 训练多分类SVMECOC编码 t templateSVM(KernelFunction, rbf, KernelScale, auto, Standardize, true); model fitcecoc(trainFeatures, trainLabels, Learners, t, Coding, onevsone); % 测试集预测与评估 predLabels predict(model, testFeatures); acc mean(predLabels testLabels); fprintf(测试集准确率: %.2f%%\n, acc * 100); % 混淆矩阵 figure; confusionchart(testLabels, predLabels); title(散射特征 多分类SVM 混淆矩阵);KernelScale设为auto会让MATLAB依据训练数据自动计算一个合适的尺度参数比自己拍脑袋设定更稳。如果样本量很小使用交叉验证调整BoxConstraint有时能再提几个百分点但要注意在样本量几十的级别下不要做太激进的超参数搜索否则容易过拟合验证集本身。如果觉得SVM的参数还是太多直接换成fitcensemble随机森林也行散射特征维度和样本量相比不算大树模型的训练负担很低。我在实验中发现散射特征配合SVM和随机森林的准确率差距通常在一个百分点以内SVM在多数情况下略占优而随机森林的调参负担更小工程上也是很好的备选。4. 实验验证与参数调优4.1 实验设计与基线对比为了确认散射网络确实比传统方法强我在相同的数据切分、相同的训练集大小条件下做了多组对比实验。数据集共四类状态正常、轴承外圈故障、气阀故障、活塞环磨损。每类训练样本30个、测试样本20个均为振动信号2048点片段。对比方法包括手工时域统计特征加SVM、FFT频谱特征加SVM、散射网络特征加SVM、以及一个小型一维CNN。下表是一组典型实验数值不同随机种子下波动范围在1到2个百分点以内方法特征维度每类训练样本数四分类准确率训练耗时秒时域统计量 SVM63078.4%0.01FFT频谱特征 SVM10243084.1%0.03散射网络 SVM不足2003096.8%2.1含特征提取一维CNN自动3090.2%25.6这里比较能说明问题的是散射网络的特征维度虽然只有不到200维却显著超越了上千维的FFT频谱特征这在低维空间下取得更优效果的关键在于特征本身的信息密度和稳定性。CNN在这个样本量下虽然也能跑到90%左右但训练过程中需要尝试多种网络深度和数据增强策略迭代周期明显更长稍有不慎就会过拟合工程现场的性价比远不如散射网络。4.2 关键参数对准确率的影响散射网络涉及几个超参数它们的设置对最终效果有直接影响。我做了几组实验专门观察这些参数的影响。首先是InvarianceScale。太小的时候比如0.01秒特征对噪声和时间位移的容忍度差准确率跌到93%左右适中的0.05秒准确率最高持续增大到0.2秒时特征把许多细节都平均掉了轴承冲击的调制结构被抹平准确率又降到89%。这个参数本质上在稳定性和保真度之间做权衡选取信号中故障周期性特征的最小重复周期作为参考比较稳妥。其次是NumScalesPerOctave。默认值下准确率约95%提高到8时准确率约96.8%继续提高到16时准确率提升微弱但特征计算时间明显翻倍。每八度尺度数增加的是小波滤波器组的密集程度相当于把频带切得更细但如果原始信号本身频率分辨率够了过度细分只是在重复捕获相近尺度的信息性价比不高。实际项目建议从默认值起步先看效果再决定要不要加。还有一个容易被忽略的因素是样本长度。2048点、4096点、8192点三种长度我都试过。样本越长、覆盖的信号周期越多特征中周期性调制信息越充分准确率整体呈上升趋势但样本变长也意味着有效样本数变少因为总时长固定时能切出的不重叠片段数会减少。所以这里要根据故障特征频率来选择保证每个样本至少包含数个完整的故障冲击间隔而不是无脑选最长。4.3 工程落地时的计算量考量从实验台到现场除了准确率还得算计算成本。散射特征提取在CPU模式下一个2048点样本大约需要30到50毫秒批量训练时上百个样本也就几秒钟。这个量级对于非实时诊断场景完全够用振动数据可以离线采集后集中处理。如果要在产线上做实时报警推理部分的耗时主要由SVM预测构成远低于特征提取耗时整体可以做到单样本百毫秒级别内。需要特别提醒的是MATLAB中featureMatrix对GPU的自动利用支持有限小波散射网络的计算核心相对轻量GPU不一定能带来明显加速。与其折腾并行计算不如在数据预处理阶段把矩阵预分配和向量化写规范。我写这段代码时遇到的最大瓶颈反而是循环中反复调用featureMatrix的开销如果数据量超过几千个样本建议用parfor并行提取特征在有多核CPU的情况下能节省不少时间。更进一步如果后续要在嵌入式控制器上部署可以将散射网络的滤波器组参数预先导出为矩阵在C语言环境下实现卷积加取模加平均的流程模型本身不依赖MATLAB运行时。散射网络的滤波器系数是可预计算且固定的这一点比部署一个训练好的CNN要容易得多因为不需要带一套浮点推理框架。5. 常见问题与排查技巧实录5.1 让人头疼的维度错误和参数报错用waveletScattering最常遇到的报错集中在参数冲突和维度不匹配上。我整理了几个高频问题按我的实际经验给出解决思路报错或现象根本原因解决办法SignalLength must be a positive integer传入的信号长度不是正整数或者信号本身是行向量但长度为1确认输入为列向量且numel(x)为预期长度NumOctaves too large relative to SignalLength and InvarianceScaleNumOctaves与信号长度、不变尺度不匹配降低NumOctaves或同时增大InvarianceScaleData must have SignalLength samples输入featureMatrix的信号长度与构建散射网络时设置的不一致检查样本长度是否都为signalLen并在提取前统一裁剪或补零feat featureMatrix(sf, x)返回矩阵维度比预期大很多散射路径数和时间点数双重叠加拉平后维度爆炸改用每路径均值和标准差聚合而不是全序列拉平训练集准确率100%但测试集偏低切分样本时相邻样本信息泄漏或分类器过拟合检查切分重叠率和打乱顺序加大样本独立性开启SVM标准化维度问题在散射网络里尤其突出因为路径数和时间点数两个维度叠加起来很容易让人摸不着头脑。我的调试习惯是在特征提取函数里先打印单样本特征维度确认size(feat)之后再写批量循环绝对不带着感觉应该对的心态直接跑全量否则调试一次要浪费不少时间。5.2 样本不够时的数据增强思路工业上样本稀缺是常态散射网络虽然参数少、抗过拟合能力强但每个类别只有十几个样本时依然会感到吃力。这时候可以从两个方向做文章一是增加样本数量二是增强样本多样性。增加数量方面重叠切分最有效。一个10秒的连续振动信号按2048点、50%重叠切割可以生成接近200个样本比不重叠切分多了近一倍。注意重叠率不要超过75%否则相邻样本高度相关训练集和测试集之间容易形成隐性信息泄漏造成准确率虚高。增强多样性方面可以在不改变故障物理性质的前提下加入轻微扰动。比较安全的方式包括小幅随机时移、幅值缩放、添加低强度高斯噪声。比如给信号叠加标准差0.01到0.05的高斯白噪声相当于模拟了不同工况下的背景噪声变动。但不要做频谱搬移、频率缩放这类会改变故障特征频率的操作那会破坏故障类型对应的物理信息反而误导分类器。5.3 换机型、换工况之后怎么适配现场情况是一台空压机的参数调好了换一台转速不同的机器模型可能就不好用了。散射网络的参数本身和信号是解耦的但InvarianceScale和NumOctaves的选择应当与目标机器的故障特征频率范围匹配。换机型时我的建议是先根据新机器的主轴转速和结构尺寸估算故障特征频率范围然后重新选择InvarianceScale。比如旧机器转速3000转/分轴承外圈故障特征频率大约在几十赫兹新机器转速1500转/分特征频率减半此时需要相应增大不变尺度保证低频谱线下有足够的时间窗去捕获重复冲击周期。如果新旧机器的传感器安装方式和采样率一致散射网络并不需要重新训练——滤波器和分类器都是在统一的特征空间工作的你只需要在新机器上采集一批少量数据重新微调SVM分类器即可。这本质上是一种特征层面的迁移散射网络作为普适特征提取器跨设备保持稳定分类器只需要适配少量新样本。我在项目中用这个思路把模型从一台实验台架迁移到另一台不同转速的设备每类只用15个新样本重新训练SVM准确率依然保持在93%以上这在CNN框架下是很难想象的。最后分享一点实战心得做完整个项目我最深的感触是好的特征提取器能让小样本分类问题瞬间变得简单而散射网络正是那种买一得二的工具——它既有理论基础、又完全不需要训练在机械故障诊断这个数据天然稀缺的领域里性价比相当突出。如果你准备在真实项目里用这套方案我的建议是先花几天时间把信号预处理和参数选择搞清楚特别是InvarianceScale它决定了整套特征的手感。多试几个值观察特征在分类边界上的表现比盲目追求模型复杂度有意义得多。我还在尝试把散射网络提取的特征输入到LSTM中做剩余寿命预测思路是把散射特征序列按时间排列作为LSTM的输入序列来刻画性能退化趋势。调试了初步版本后效果比直接用原始振动信号训练LSTM要好一些因为特征维度低、噪声少LSTM收敛更快。这个方向后续验证充分了再单独写一篇这里算是先留个坑。希望上面的内容能给你省下不少弯路。
空气压缩机在工厂里是个不起眼、但一旦掉链子就全厂难受的角色。我最近在一个设备健康管理的模拟项目里做故障诊断目标非常具体通过壳体振动信号区分正常、轴承外圈故障、气阀故障和活塞环磨损四种状态。一开始按老套路提取时域特征、FFT频谱四分类准确率在85%左右晃悠后来换成**小波散射网络Wavelet Scattering Network**提取特征再接一个多分类SVM准确率直接冲到95%以上而且整个流程在MATLAB r2021b环境下跑得非常顺不需要搭深度网络也不需要攒几万条故障样本。这篇复盘把整条技术路线拆开来讲为什么传统特征诊断空压机吃力、小波散射网络的底层机制到底是怎么回事、代码怎么一步步落地、参数怎么调、坑在哪。适合正在做设备故障诊断、机械信号处理或者在小样本条件下想找更强特征提取方式的朋友参考。1. 切入角度为什么故障诊断非换散射网络不可1.1 空气压缩机故障诊断到底难在哪空压机的故障种类比很多人想象中多。常见的有轴承类故障包括内圈、外圈、滚动体损伤气阀故障包括阀片磨损、弹簧断裂、密封不严活塞环磨损导致窜气还有转子不平衡、皮带松动这类机械松动问题。不同类型故障的振动表现形式差异很大但有一个共同点早期故障信号非常微弱很容易淹没在背景噪声里。压缩机本身工作环境恶劣机身振动本来就大电机、皮带轮、气阀动作都会引入强烈的干扰成分。你在壳体上装一个加速度传感器采集到的信号往往是工频谐波随机噪声故障冲击其他机械部件振动的混合体。故障冲击信号通常是非平稳的、瞬态的持续时间可能只有几毫秒到几十毫秒传统的平稳信号分析工具在这种情况下会非常别扭。工况变化也是个绕不开的难点。同一台压缩机负载从轻到重主轴转速从低到高故障信号的表现形态可能完全不同。同一个轴承故障在不同转速下产生的冲击频率不一样能量幅值也不一样。这意味着如果特征提取方式太依赖绝对频率或绝对幅值模型在一个工况下训练得很好换一个工况性能就大幅下滑。我刚开始做这个项目时最痛苦的就是特征工程部分手工设计特征需要领域知识而且每次换一个机型和工况之前的特征组合常常又要重新调整。1.2 传统特征和深度学习的两头为难传统时域特征比如均方根值、峰值因子、峭度实现起来非常简单在很多产线监控系统里跑了几十年。但这类统计量的问题在于信息量太少只能给出一个异常程度的粗糙判断很难回答到底是轴承坏了还是气阀坏了这种问题。峭度确实对冲击敏感但空压机里正常的气阀动作冲击就有不少误报率会很高。频域特征是主流方案之一对平稳信号效果不错FFT谱里的特征频率可以对应到具体故障类型。问题是空压机振动信号里非平稳成分占比太高单纯看频谱会把瞬态冲击信号的能量平均到很宽的频带上故障特征被稀释。短时傅里叶变换可以加窗看时频分布但窗长一旦固定时间和频率分辨率就互相制约窗选短了频率看不清窗选长了时间定位又丢了只能做一个折中。小波变换确实能解决一部分这个问题多分辨率特性很契合非平稳信号但直接用小波系数做分类并不方便系数维度太大、冗余度高直接喂给分类器效果反而不好。深度学习的方法尤其是各种一维卷积网络在故障诊断领域很火。它们的特征提取是全自动的不需要手工设计。但工业现场的现实是故障样本极度稀缺一台正常运行的机器可能一年也积累不了多少故障数据。CNN类模型动辄几万、几十万参数几十个训练样本根本喂不饱。我之前试过用小样本训练一维CNN结果训练集准确率很高测试集直接崩过拟合问题非常严重。就算加上各种数据增强稳定性也远远不够现场可靠。1.3 小波散射网络恰好补上了这个空档小波散射网络本质上是一种把非平稳信号转成稳定特征表示的方法由Mallat在2012年前后提出。它通过多级小波变换、取模和非线性平均把信号转化为一组对平移不敏感、对噪声稳定、对形变鲁棒的特征。最关键的是它不需要用数据来训练。不需要训练这一点在工业场景里太重要了。这意味着模型参数数量骤减只有几个超参数需要人工设定再也不存在背后有几千个权重等着你去拟合的问题。做完散射特征提取后只需要接一个简单的分类器比如SVM、逻辑回归甚至一棵随机森林就能获得不错的效果。对几十个样本的训练集来说这种手工固定特征提取轻量分类器的路线往比从头训练深度网络稳得多。这也是我最后决定用这套方案的根本原因小样本条件下与其让网络去学一个不可控的高维表征不如用有理论基础的小波散射网络做特征变换再交给一个不容易过拟合的经典分类器去分类。2. 底层原理小波散射网络的关键机制解读2.1 从短时傅里叶到小波变换为什么要多尺度看信号要理解散射网络先要理解小波变换在做什么。经典傅里叶变换把信号拆成不同频率的正弦波叠加频率信息很完整但时间信息全丢了。短时傅里叶变换加了个固定长度窗口可以同时看到时间-频率密度但受海森堡测不准原理制约——时间分辨率和频率分辨率的乘积有下限而固定窗长决定了两者的分配关系无法按需调整。小波变换的思路比较巧妙用一系列经过伸缩和平移的小波基去匹配信号。高频成分用短时间、窄尺度的小波去分析低频成分用长时间、宽尺度的小波去分析。这就相当于你用不同倍率的放大镜去检查一张图纸看细节的用高倍镜看整体布局的用低倍镜。这种自适应的多尺度能力让它非常适合处理含瞬态冲击的机械振动信号。连续小波变换的表达式是将信号 x(t) 与小波基函数的缩放和平移副本做内积。实际操作中我们并不直接用小波系数而是通过滤波组实现离散小波变换。空气压缩机故障信号里的冲击成分会在多个尺度上表现出不同特征低频段反映故障冲击的周期性重复规律高频段反映冲击本身的瞬态形态多尺度分析能力正是这些诊断信息所需要的。2.2 散射网络的坐标小波变换→取模→低通平均小波散射网络的核心结构可以拆成三块串联的运算小波变换、取模运算、低通平均。第一层运算可以这样理解先将信号 x 通过一组不同尺度的小波滤波器 ψλ得到一组小波系数然后对每个系数取复数模值最后用低通滤波器 φ 对模值序列做局部平均得到一阶散射系数 S1。取模这一步把小波系数的振荡相位去掉了同时保证平移变化时能量分布特征相对稳定。低通平均则是把信号在局部窗口内的小幅时移磨平让特征对时间位置的微小变化不敏感。但只做一层是不够的。第一层低通平均会把细节信息丢掉而这些细节里往往藏着故障的关键特征——比如轴承外圈损伤产生的周期性冲击经过第一层之后冲击之间的间隔信息可能被平均掉。所以散射网络会继续做第二层把第一层的模值信号残差部分再次进行小波变换、取模、低通得到二阶散射系数 S2。S2捕获的是频率的调制结构也就是高频分量被低频分量调制的模式恰好对应机械故障中冲击事件按照某个故障特征频率反复出现的现象。散射网络通常默认计算到二阶一阶、二阶系数拼接起来就是最终的散射特征。在实际应用中一阶系数主要提供信号能量随尺度的分布二阶系数提供尺度之间的交互调制信息两者互补。对空压机振动信号来说气阀漏气、轴承点蚀这类故障往往表现为冲击调制模式的变化二阶系数的加入非常关键。2.3 为什么散射特征比手工特征更抗造散射网络给出的特征具备两项非常重要的数学性质平移不变性和稳定性。平移不变性意味着改变信号在时间轴上的起始位置特征变化很小稳定性用数学术语说就是 Lipschitz 连续意味着信号本身的微小扰动不会引起特征向量的剧烈跳变。这两项性质对小样本分类来说是保命级别的要求因为小样本场景下最怕输入发生细微变化导致特征完全走样。散射网络与CNN对比有一个很直观的理解方式散射网络其实是一个固定权重、不做学习的CNN。CNN卷积层中需要从数据学习出来的卷积核在散射网络中被预先指定的小波滤波器替代CNN的池化层在散射网络中被低通滤波和下采样替代CNN的ReLU非线性激活在散射网络中被复数取模替代。区别在于CNN的滤波器是数据驱动的而散射网络的滤波器是解析构造的、有明确物理意义的。当然散射网络并非万能。它固定了滤波器结构无法针对特定故障类型做调优在数据多到足够训练CNN时深度网络的上限通常更高。但在样本量小、工况复杂、要求结果稳健的工业场景里散射网络这种内置先验的特征提取方式反而是一种保护不会因为数据不足而学到一堆没泛化能力的摆设特征。3. MATLAB r2021b 从零实现全流程3.1 环境准备与工具箱清单这个项目的开发环境是 MATLAB r2021b配套两个关键工具箱Wavelet Toolbox提供waveletScattering和featureMatrix函数和Statistics and Machine Learning Toolbox提供fitcecoc多分类SVM。如果你的许可证里没有这两个工具箱代码跑不起来建议先确认一下。安装配置完成后建议先在命令窗口输入ver确认工具箱版本正常。小波散射网络在 r2021b 中已经非常成熟不需要外挂任何第三方工具包这一点对国内很多不便于随意联网安装依赖的工业用户来说很友好。数据获取方式上我在这个项目里用的是某实验台架的实测振动数据加速度传感器吸附在压缩机缸盖和轴承座位置采样率设置为20 kHz每个样本截取2048个点对应约0.1秒的振动片段。实际工程中采样率建议至少覆盖故障冲击频率的5到10倍20 kHz对空压机这类中低速旋转机械基本够用。如果传感器采样率太低高频故障冲击会被模糊掉后处理再怎么努力也补不回来。3.2 数据加载与预处理脚本数据预处理的核心是三个动作去均值、归一化、切分样本。去均值是为了消除传感器零点漂移和直流分量归一化是为了让不同工况下幅值差异不至于影响特征比较。我在实际项目中按照剩余可用样本数 ÷ 想要的样本数的方式做重叠切分相邻样本重叠50%这样一个长时间连续信号可以扩展出大量样本对小样本问题的缓解非常明显。下面这段代码演示了当原始数据按类别放在不同文件夹时如何批量读取并按固定长度切分样本% dataRoot 下四个子文件夹normal, bearingOuter, valveFault, ringWear % 每个文件夹下的csv文件第一列为时间第二列为加速度采样率20000 Hz clear; clc; close all; rng(42); Fs 20000; % 采样率 signalLen 2048; % 每个样本长度 overlap 0.5; % 重叠比例 step round(signalLen * (1 - overlap)); classNames {normal, bearingOuter, valveFault, ringWear}; allData cell(0, 2); % {数据向量, 标签} dataRoot ./data/; for cid 1:numel(classNames) files dir(fullfile(dataRoot, classNames{cid}, *.csv)); for f 1:numel(files) raw readmatrix(fullfile(files(f).folder, files(f).name)); sig raw(:, 2); % 加速度列 sig sig - mean(sig); % 去均值 sig sig / max(abs(sig)); % 归一化幅值 % 重叠切分 numSeg floor((numel(sig) - signalLen) / step) 1; for s 1:numSeg seg sig((s-1)*step 1 : (s-1)*step signalLen); allData(end1, :) {seg(:), cid}; %#okSAGROW end end end % 随机打乱并按比例划分训练/测试集 idx randperm(size(allData, 1)); trainRatio 0.7; numTrain round(trainRatio * numel(idx)); trainData zeros(signalLen, numTrain); trainLabels zeros(numTrain, 1); for i 1:numTrain trainData(:, i) allData{idx(i), 1}; trainLabels(i) allData{idx(i), 2}; end numTest numel(idx) - numTrain; testData zeros(signalLen, numTest); testLabels zeros(numTest, 1); for i 1:numTest testData(:, i) allData{idx(numTrain i), 1}; testLabels(i) allData{idx(numTrain i), 2}; end这里有一个操作细节归一化用的是max(abs(sig))而不是标准差目的是把不同采集批次的幅值标定差异消除掉让分类器不用去学习传感器灵敏度差异。如果你知道传感器灵敏度的标定值也可以直接用单位换算后的物理量去训练归一化到统一量纲即可。注意切分样本时要确保每段之间没有重复到让训练集和测试集信息泄漏我通常先把长信号切分完再打乱而不是先打乱整个长信号再切分这样可以避免相邻样本跨集合造成的虚高准确率。3.3 散射网络构建与特征提取散射网络构建是整个流程的核心。我用的是默认的一维waveletScattering对象关键参数设置如下% 构建一维小波散射网络 sf waveletScattering( ... SignalLength, signalLen, ... SamplingFrequency, Fs, ... InvarianceScale, 0.05, ... % 不变尺度 50 ms NumOctaves, 4, ... NumScalesPerOctave, 8 ... );InvarianceScale是决定平移不变性程度的核心参数取0.05秒意味着时间轴上的小型时移只引起特征的小幅变化这个尺度大约是信号总时长的四分之一到一半。NumOctaves决定小波覆盖的频带范围跨度NumScalesPerOctave决定每个八度内安排多少个不同尺度的小波滤波器取8时频率分辨率比较细但对计算量也有一定压力。特征提取需要特别注意featureMatrix的输出维度。该函数对单个信号返回一个矩阵行对应散射路径列对应时间点。如果直接把每个样本的完整特征矩阵拉平成一个向量特征维度会非常大而且时间轴上的细粒度信息对有些分类任务而言反而是噪声。我在实际项目中采用的做法是对每个散射路径在时间轴上进行聚合统计取均值和标准差拼接成最终特征向量。这样特征维度控制在散射路径数的两倍左右分类器的输入维度很干净训练速度也快。% 单样本特征提取辅助函数 function featVec extractFeature(sf, x) feat featureMatrix(sf, x); % [numPaths, numTime] m mean(feat, 2); % 每个路径的时间均值 s std(feat, 0, 2); % 每个路径的时间标准差 featVec [m(:); s(:)]; % 拼接为行向量 end % 批量提取训练集/测试集特征 trainFeatures zeros(size(trainData, 2), 2 * numel(waveletScatteringPaths(sf))); for i 1:size(trainData, 2) trainFeatures(i, :) extractFeature(sf, trainData(:, i)); end testFeatures zeros(size(testData, 2), size(trainFeatures, 2)); for i 1:size(testData, 2) testFeatures(i, :) extractFeature(sf, testData(:, i)); end代码里有一处需要注意waveletScatteringPaths(sf)用于获取散射网络的路径数量比手动猜路径数要可靠得多。我的经验是在跑全量数据之前先对单个样本执行featureMatrix并用size检查输出维度确认特征维度与预期一致后再做批量循环这样能避免循环跑到一半才发现维度对不上、白等很长时间。3.4 分类器训练与性能评估散射特征提取完以后分类器选型就没那么纠结了。在四分类小样本场景下多分类SVM是性价比很高的选择。我用的是fitcecoc做一对一编码配合RBF核同时开启特征标准化。标准化很重要因为散射特征中均值项和标准差项的量纲可能差一个数量级如果不做标准化SVM的核函数计算会偏向量纲大的维度。% 训练多分类SVMECOC编码 t templateSVM(KernelFunction, rbf, KernelScale, auto, Standardize, true); model fitcecoc(trainFeatures, trainLabels, Learners, t, Coding, onevsone); % 测试集预测与评估 predLabels predict(model, testFeatures); acc mean(predLabels testLabels); fprintf(测试集准确率: %.2f%%\n, acc * 100); % 混淆矩阵 figure; confusionchart(testLabels, predLabels); title(散射特征 多分类SVM 混淆矩阵);KernelScale设为auto会让MATLAB依据训练数据自动计算一个合适的尺度参数比自己拍脑袋设定更稳。如果样本量很小使用交叉验证调整BoxConstraint有时能再提几个百分点但要注意在样本量几十的级别下不要做太激进的超参数搜索否则容易过拟合验证集本身。如果觉得SVM的参数还是太多直接换成fitcensemble随机森林也行散射特征维度和样本量相比不算大树模型的训练负担很低。我在实验中发现散射特征配合SVM和随机森林的准确率差距通常在一个百分点以内SVM在多数情况下略占优而随机森林的调参负担更小工程上也是很好的备选。4. 实验验证与参数调优4.1 实验设计与基线对比为了确认散射网络确实比传统方法强我在相同的数据切分、相同的训练集大小条件下做了多组对比实验。数据集共四类状态正常、轴承外圈故障、气阀故障、活塞环磨损。每类训练样本30个、测试样本20个均为振动信号2048点片段。对比方法包括手工时域统计特征加SVM、FFT频谱特征加SVM、散射网络特征加SVM、以及一个小型一维CNN。下表是一组典型实验数值不同随机种子下波动范围在1到2个百分点以内方法特征维度每类训练样本数四分类准确率训练耗时秒时域统计量 SVM63078.4%0.01FFT频谱特征 SVM10243084.1%0.03散射网络 SVM不足2003096.8%2.1含特征提取一维CNN自动3090.2%25.6这里比较能说明问题的是散射网络的特征维度虽然只有不到200维却显著超越了上千维的FFT频谱特征这在低维空间下取得更优效果的关键在于特征本身的信息密度和稳定性。CNN在这个样本量下虽然也能跑到90%左右但训练过程中需要尝试多种网络深度和数据增强策略迭代周期明显更长稍有不慎就会过拟合工程现场的性价比远不如散射网络。4.2 关键参数对准确率的影响散射网络涉及几个超参数它们的设置对最终效果有直接影响。我做了几组实验专门观察这些参数的影响。首先是InvarianceScale。太小的时候比如0.01秒特征对噪声和时间位移的容忍度差准确率跌到93%左右适中的0.05秒准确率最高持续增大到0.2秒时特征把许多细节都平均掉了轴承冲击的调制结构被抹平准确率又降到89%。这个参数本质上在稳定性和保真度之间做权衡选取信号中故障周期性特征的最小重复周期作为参考比较稳妥。其次是NumScalesPerOctave。默认值下准确率约95%提高到8时准确率约96.8%继续提高到16时准确率提升微弱但特征计算时间明显翻倍。每八度尺度数增加的是小波滤波器组的密集程度相当于把频带切得更细但如果原始信号本身频率分辨率够了过度细分只是在重复捕获相近尺度的信息性价比不高。实际项目建议从默认值起步先看效果再决定要不要加。还有一个容易被忽略的因素是样本长度。2048点、4096点、8192点三种长度我都试过。样本越长、覆盖的信号周期越多特征中周期性调制信息越充分准确率整体呈上升趋势但样本变长也意味着有效样本数变少因为总时长固定时能切出的不重叠片段数会减少。所以这里要根据故障特征频率来选择保证每个样本至少包含数个完整的故障冲击间隔而不是无脑选最长。4.3 工程落地时的计算量考量从实验台到现场除了准确率还得算计算成本。散射特征提取在CPU模式下一个2048点样本大约需要30到50毫秒批量训练时上百个样本也就几秒钟。这个量级对于非实时诊断场景完全够用振动数据可以离线采集后集中处理。如果要在产线上做实时报警推理部分的耗时主要由SVM预测构成远低于特征提取耗时整体可以做到单样本百毫秒级别内。需要特别提醒的是MATLAB中featureMatrix对GPU的自动利用支持有限小波散射网络的计算核心相对轻量GPU不一定能带来明显加速。与其折腾并行计算不如在数据预处理阶段把矩阵预分配和向量化写规范。我写这段代码时遇到的最大瓶颈反而是循环中反复调用featureMatrix的开销如果数据量超过几千个样本建议用parfor并行提取特征在有多核CPU的情况下能节省不少时间。更进一步如果后续要在嵌入式控制器上部署可以将散射网络的滤波器组参数预先导出为矩阵在C语言环境下实现卷积加取模加平均的流程模型本身不依赖MATLAB运行时。散射网络的滤波器系数是可预计算且固定的这一点比部署一个训练好的CNN要容易得多因为不需要带一套浮点推理框架。5. 常见问题与排查技巧实录5.1 让人头疼的维度错误和参数报错用waveletScattering最常遇到的报错集中在参数冲突和维度不匹配上。我整理了几个高频问题按我的实际经验给出解决思路报错或现象根本原因解决办法SignalLength must be a positive integer传入的信号长度不是正整数或者信号本身是行向量但长度为1确认输入为列向量且numel(x)为预期长度NumOctaves too large relative to SignalLength and InvarianceScaleNumOctaves与信号长度、不变尺度不匹配降低NumOctaves或同时增大InvarianceScaleData must have SignalLength samples输入featureMatrix的信号长度与构建散射网络时设置的不一致检查样本长度是否都为signalLen并在提取前统一裁剪或补零feat featureMatrix(sf, x)返回矩阵维度比预期大很多散射路径数和时间点数双重叠加拉平后维度爆炸改用每路径均值和标准差聚合而不是全序列拉平训练集准确率100%但测试集偏低切分样本时相邻样本信息泄漏或分类器过拟合检查切分重叠率和打乱顺序加大样本独立性开启SVM标准化维度问题在散射网络里尤其突出因为路径数和时间点数两个维度叠加起来很容易让人摸不着头脑。我的调试习惯是在特征提取函数里先打印单样本特征维度确认size(feat)之后再写批量循环绝对不带着感觉应该对的心态直接跑全量否则调试一次要浪费不少时间。5.2 样本不够时的数据增强思路工业上样本稀缺是常态散射网络虽然参数少、抗过拟合能力强但每个类别只有十几个样本时依然会感到吃力。这时候可以从两个方向做文章一是增加样本数量二是增强样本多样性。增加数量方面重叠切分最有效。一个10秒的连续振动信号按2048点、50%重叠切割可以生成接近200个样本比不重叠切分多了近一倍。注意重叠率不要超过75%否则相邻样本高度相关训练集和测试集之间容易形成隐性信息泄漏造成准确率虚高。增强多样性方面可以在不改变故障物理性质的前提下加入轻微扰动。比较安全的方式包括小幅随机时移、幅值缩放、添加低强度高斯噪声。比如给信号叠加标准差0.01到0.05的高斯白噪声相当于模拟了不同工况下的背景噪声变动。但不要做频谱搬移、频率缩放这类会改变故障特征频率的操作那会破坏故障类型对应的物理信息反而误导分类器。5.3 换机型、换工况之后怎么适配现场情况是一台空压机的参数调好了换一台转速不同的机器模型可能就不好用了。散射网络的参数本身和信号是解耦的但InvarianceScale和NumOctaves的选择应当与目标机器的故障特征频率范围匹配。换机型时我的建议是先根据新机器的主轴转速和结构尺寸估算故障特征频率范围然后重新选择InvarianceScale。比如旧机器转速3000转/分轴承外圈故障特征频率大约在几十赫兹新机器转速1500转/分特征频率减半此时需要相应增大不变尺度保证低频谱线下有足够的时间窗去捕获重复冲击周期。如果新旧机器的传感器安装方式和采样率一致散射网络并不需要重新训练——滤波器和分类器都是在统一的特征空间工作的你只需要在新机器上采集一批少量数据重新微调SVM分类器即可。这本质上是一种特征层面的迁移散射网络作为普适特征提取器跨设备保持稳定分类器只需要适配少量新样本。我在项目中用这个思路把模型从一台实验台架迁移到另一台不同转速的设备每类只用15个新样本重新训练SVM准确率依然保持在93%以上这在CNN框架下是很难想象的。最后分享一点实战心得做完整个项目我最深的感触是好的特征提取器能让小样本分类问题瞬间变得简单而散射网络正是那种买一得二的工具——它既有理论基础、又完全不需要训练在机械故障诊断这个数据天然稀缺的领域里性价比相当突出。如果你准备在真实项目里用这套方案我的建议是先花几天时间把信号预处理和参数选择搞清楚特别是InvarianceScale它决定了整套特征的手感。多试几个值观察特征在分类边界上的表现比盲目追求模型复杂度有意义得多。我还在尝试把散射网络提取的特征输入到LSTM中做剩余寿命预测思路是把散射特征序列按时间排列作为LSTM的输入序列来刻画性能退化趋势。调试了初步版本后效果比直接用原始振动信号训练LSTM要好一些因为特征维度低、噪声少LSTM收敛更快。这个方向后续验证充分了再单独写一篇这里算是先留个坑。希望上面的内容能给你省下不少弯路。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
