简介这是一套面向毕业设计、课程实践与工业研发场景的机械设备故障诊断Python实现基于深度学习网络分析滚动轴承、齿轮箱等振动频谱特征完成故障类型智能识别。代码按数据预处理、特征提取、模型训练、性能评估模块化组织包含MLP、SAE、RNN、CNN多种网络实现与TensorFlow训练脚本另附技术文档与备份文件。压缩包共40个文件以py源码、xml配置、docx文档为主另有iml工程文件、pyc编译文件及zbak备份整体约235KB结构清晰便于拆解学习。目前已有67人学习下载适合具备一定Python基础、希望借助完整可运行代码快速搭建故障诊断系统并深入理解深度学习建模流程的开发者。资源来源于网络分享仅限学习交流。1. 机械设备故障诊断系统为什么模型不是瓶颈数据链路才是一个基于Python深度学习的机械设备故障诊断系统很多人在调研阶段就误解了一件事以为把振动信号喂给一个足够深的网络模型就能自动把轴承、齿轮、转子的故障状态识别出来。我调试过几套生产级的诊断系统结论和直觉相反——在公开数据集上把准确率从 92% 推到 97% 的往往不是换更大的模型而是信号预处理、切窗对齐、样本组织方式这些数据链路环节。这个标题拆开看是四件事设备信号怎么采集和预处理、故障样本怎么标注和切分、深度学习模型怎么选和怎么训练、源码结构怎么组织才能用于实际系统。适合正在做设备状态监测、预测性维护或研究生课题的工程师也适合第一次接触「Python 深度学习 振动信号」组合的人。本文按我做这类系统的思路来讲先立数据链路再落模型实现最后是部署和源码组织每一处都给出可复现的参数和代码。2. 拆解系统主干从传感器信号到训练样本的完整数据链路2.1 系统怎么选型端到端深度学习还是信号处理加分类器机械设备故障诊断的系统实现通常有三条技术路线我在不同项目里分别试过。第一条是传统方案信号处理提取特征时域的均方根、峰值因子频域的幅值谱、包络谱特征频率再喂给随机森林或支持向量机。这套路成熟、可解释性强、训练快设备振动标准里有大量基于特征值的判定阈值可以直接参考。缺点是特征工程依赖人工经验换一台设备、换一种转速工况前期调特征的周期很长。第二条是端到端深度学习原始振动信号直接作为输入网络自己学特征输出就是故障类别。这是当前论文和开源项目的主流方向也是这个标题所指向的系统形态。它的优势是省去特征工程对变工况的适应性通过数据增强和迁移学习来解决代价是数据需求量更大、模型推理是黑匣子、部署时要考虑算力。第三条是混合方案用深度学习替代传统特征提取器但把故障类型判断拆成「检测 分类」两级结构。第一级用轻量模型判断设备是否异常第二级才用深度模型细分类别。现场系统的常见做法是检测级用阈值或者非常小的网络常驻运行高频采样只有触发异常后才启动深度模型做精细诊断。这样功耗和算力都可控也是我向工业现场推荐的结构。选型的核心原则是先看部署位置再定模型复杂度。如果是实验台架、离线分析端到端方案最合适如果是嵌入式边缘盒子混合方案更现实。你去看那些标榜「免费Python源码大全」里的故障诊断项目绝大多数是端到端方案正因为它们跑在PC上不考虑算力约束。源码解析时也要带着这个视角不要照搬结构到现场。2.2 振动信号处理采样率、切窗长度和归一化的关键参数振动信号是机械设备故障诊断的首选信息来源因为轴承、齿轮的损伤会在啮合频率、固有频率附近产生周期冲击这些信息在振动信号里最直接。电流信号、温度信号也能做但故障特征出现得慢、位置信息模糊。处理振动信号第一步是采样参数。行业经验是采样率至少覆盖到设备最高关注频率的 2.56 倍。一般电机轴承系统采样率取 12.8kHz 或 25.6kHz对应分析频率 5kHz 或 10kHz。信号长度上一次样本至少包含 5 到 10 个轴转周期。比如转速 1500rpm转频 25Hz一个周期 0.04s一次样本至少取 0.2 到 0.4 秒也就是 2560 到 10240 个点。样本太长训练样本数不够太短低频故障特征截不完整。切窗是对连续振动信号的第二次加工。多数公开项目直接按固定点数 n1024 或 2048 切这其实有问题同样 2048 点3000rpm 下覆盖整个轴周期的 10 倍以上600rpm 下只覆盖不到 2 个周期模型学到的是「转速特征」而不是「故障特征」。我一般先算好每转点数points_per_rev fs * 60 / rpm再让窗长为它的整数倍。代码里动态计算窗口长度import numpy as np def compute_window_size(fs, rpm, cycles_per_sample5): 根据转速计算单个样本的窗口长度。 fs: 采样率, Hz rpm: 当前工况转速 cycles_per_sample: 每个样本至少包含多少个轴转周期 points_per_rev fs * 60.0 / rpm window int(points_per_rev * cycles_per_sample) # 对齐到 2 的幂方便后续卷积和池化 window int(2 ** np.floor(np.log2(window))) return window # 参数说明: 1500rpm, 12.8kHz 采样时, 每个样本约 2560 点这段代码计算得到的窗口长度会参与数据加载器的构建。这里有一个常见误区为了凑 batch 尺寸把信号填充或截断到固定长度。更合理的做法是让窗口长度遵循物理周期batch 内的长度不一致问题通过 dataset 封装解决——把全程连续信号一次性读入内存按需切片而不是预先生成固定长度的 HDF5 文件。归一化策略同样和故障类型有关。如果是恒转速工况下的稳态信号全局 z-score 归一化即可如果是变转速或启停过程信号幅值变化大应该先做包络解调或带通滤波再在样本级别归一化。我在源码解析时特别注意看项目的归一化是在哪个环节做的——有些源码把整段信号的均值和方差一起算了再切窗这等于把未来信息泄漏给训练样本后面避坑章节再展开。2.3 数据集构建与标注目录组织、Dataset封装与划分逻辑深度学习故障诊断系统的源码最值得先看的部分不是模型定义而是数据集构建。标注信息通常来自设备台账、检修记录或者实验台架的分组设计。数据集的目录组织我采用的方案是每个故障类型一个文件夹文件名编码工况信息data/ 正常/ rpm1400_load0_20240101_001.npy rpm1400_load0_20240101_002.npy 内圈故障/ rpm1400_load0_B024_001.npy 外圈故障/ rpm1400_load0_B028_001.npynpy 文件里存的是 float32 的一维数组直接用 NumPy 读写比 CSV 快两个数量级这是处理振动信号的常规做法。如果你拿到的原始数据是 mat 文件或 CSV可以在预处理脚本里全部转成 npy后续的训练循环会舒服很多。PyTorch 的 Dataset 类实现有几个细节值得注意。第一不要在每次__getitem__里重复读磁盘而是第一次调用时把整个文件列表的路径读进来按需读取内存映射或者直接把数据全部放进 RAM。第二标签不要硬编码字符串维护一个class_to_idx字典。第三切窗操作放在__getitem__里动态做这样每次 epoch 采样的窗口位置不同相当于一种数据增强。from torch.utils.data import Dataset import os import numpy as np class VibrationDataset(Dataset): def __init__(self, root_dir, window_size, strideNone): self.classes sorted(os.listdir(root_dir)) self.class_to_idx {cls: i for i, cls in enumerate(self.classes)} self.samples [] for cls in self.classes: cls_dir os.path.join(root_dir, cls) for fname in os.listdir(cls_dir): if fname.endswith(.npy): path os.path.join(cls_dir, fname) self.samples.append((path, self.class_to_idx[cls])) self.window_size window_size # 默认步长取窗口的一半让相邻样本有 50% 重叠 self.stride stride if stride is not None else window_size // 2 def __len__(self): return len(self.samples) def __getitem__(self, idx): path, label self.samples[idx] signal np.load(path) # 随机起点切窗训练时等效于数据增强 start np.random.randint(0, max(1, len(signal) - self.window_size)) seg signal[start:start self.window_size] # 样本级 z-score 归一化 seg (seg - seg.mean()) / (seg.std() 1e-6) return seg.astype(np.float32), label参数说明window_size由上一节按转速计算得出stride默认取窗口一半重叠 50% 会让训练样本数量翻倍同时相邻样本具备时序关联适合模型学习周期性冲击特征。如果数据集本来就够大也可以不重叠减少训练时间。划分逻辑是这里最容易翻车的地方。很多源码直接random_split或者用sklearn的train_test_split在样本层面划分。正确的做法是按设备或者按时间段划分来自同一个连续采集段的样本不能同时出现在训练集和测试集里否则测试集数据与训练集共享了同一段信号的特征分布准确率虚高。我会先把每个原始信号文件作为一个整体切出一段连续保留区再从保留区内部切窗保证训练集和测试集在物理上隔离。3. 核心算法与PyTorch实现一维卷积如何吃下振动信号并输出故障类别3.1 输入形态的选择为什么直接喂原始振动波形而不是频谱或图像源码解析中出现的模型输入通常是三类形态原始时域波形、频域幅值谱、二维图像时频图或按某种方式重排的灰度图。结果差异很大但不少初学者误以为越复杂越好。原始时域波形是一维序列直接保留相位信息、冲击间隔和瞬态特征这也是机械设备故障诊断最顺理成章的建模方式。轴承外圈故障的特征是周期性冲击冲击间隔正好对应故障特征频率这类信息在时域里非常清晰卷积核可以学习到冲击波形模式。频域谱是时域信号经过傅里叶变换后的结果长度通常截取到分析频率的一半。它的好处是把周期性转成峰值对转速波动更敏感。我见过一些源码直接对时域信号做短时傅里叶变换生成二维时频图再喂给二维 CNN——这套路从论文角度来看合理但工程上成本明显更高图像尺寸动辄 224×224计算量是一维输入的几十倍推理延迟翻几倍。在设备诊断的真实场景里原始一维波形已经提供了足够的判别信息响应速度还更快。我的选型建议是第一版先跑一维原始波形 一维 CNN训练时间短、内存占用小、迭代速度快。如果准确率不够再尝试加频域分支做成双输入模型而不是上来就直接上二维图像。做源码解析时也可以看一眼归一化的位置——如果项目直接把时域波形做了频谱变换那它的预处理逻辑是围绕频域的模型里配合的往往是一维卷积沿频率轴扫描。import torch.nn as nn class FaultCNN1D(nn.Module): 一维卷积网络, 输入 (B, 1, N), 输出 (B, C) def __init__(self, in_channels1, num_classes4, input_length2560): super().__init__() self.features nn.Sequential( nn.Conv1d(in_channels, 16, kernel_size32, stride4, padding15), nn.BatchNorm1d(16), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(16, 32, kernel_size16, stride2, padding8), nn.BatchNorm1d(32), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(32, 64, kernel_size8, stride2, padding4), nn.BatchNorm1d(64), nn.ReLU(), nn.AdaptiveAvgPool1d(1), ) self.classifier nn.Sequential( nn.Flatten(), nn.Dropout(0.3), nn.Linear(64, num_classes) ) def forward(self, x): x self.features(x) x self.classifier(x) return x代码里的几个参数选择值得说明。第一层卷积核 32 点、步长 4对应的感受野是 0.0025 秒12.8kHz 采样下恰好能捕捉一个冲击脉冲的上升沿步长 4 能减少计算量。后面两层卷积核逐层减半通道数逐层翻倍这种设计让时间分辨率先粗后细、特征维度先少后多。AdaptiveAvgPool1d(1)把最终的时间维压成 1保证模型输出不受输入信号长度影响换一个采样率或者换一台设备也能保持输出维度一致。3.2 训练流程超参数、损失函数与评估指标怎么定故障诊断本质上是多分类问题损失函数用交叉熵即可。但样本不均衡在故障诊断里是常态——正常状态数据多得用不完故障状态数据稀缺。处理办法有几种最简单的类别加权交叉熵或者过采样少数类。现场设备的真实场景里故障数据本来就少深度模型的参数空间很大容易过拟合到多数类。所以我把 Focal Loss 作为首选项它让模型把注意力集中在难分类的少数类样本上。以下是一个可以直接替换 nn.CrossEntropyLoss 的实现import torch import torch.nn as nn import torch.nn.functional as F class FocalLoss(nn.Module): def __init__(self, alphaNone, gamma2.0): super().__init__() self.alpha alpha # 类别权重, 长度为 num_classes 的 tensor self.gamma gamma # 聚焦参数, 越大对易分类样本的抑制越强 def forward(self, logits, targets): ce F.cross_entropy(logits, targets, reductionnone, weightself.alpha) pt torch.exp(-ce) # 当前样本被正确分类的置信度 loss (1 - pt) ** self.gamma * ce return loss.mean()Focal Loss 的原理一句话就能说清当某个样本已经被模型正确分类且置信度很高时pt 接近 1系数 (1-pt)^gamma 趋近于 0损失被压低难分样本的贡献就相对放大了。gamma 取 2.0 是论文里验证过的常规值alpha 按类别占比的倒数设置。优化器选择上也有一条血泪经验。一维振动信号的特征分布相对稳定Adam 在早期收敛很快但后期往往在最优解附近震荡准确率比 SGD 配动量低 1~2 个百分点。我的做法是先用 Adam 跑 30 个 epoch 找到好的起点再切换成 SGD momentum 0.9 cosine annealing 精调。你也可以直接在训练脚本里用一个简单的调度器实现。import torch.optim as optim from torch.optim.lr_scheduler import CosineAnnealingLR def build_optimizer(model, stage): if stage warmup: return optim.Adam(model.parameters(), lr1e-3, weight_decay1e-4) else: optimizer optim.SGD(model.parameters(), lr1e-2, momentum0.9, weight_decay1e-4) scheduler CosineAnnealingLR(optimizer, T_max50) return optimizer, scheduler # 参数说明: 预热阶段 lr1e-3 保证稳定开局; 精调阶段 lr1e-2 的 SGD 配合余弦退火, # 在训练后期把学习率降到接近 0, 让参数在最优解附近完成收敛训练的评估指标不能只看准确率。故障诊断的现实是故障类别往往远少于正常类别模型可以靠「全部预测正常」拿到 90% 以上准确率但这个模型对现场毫无价值。要看每个类别的精确率、召回率、F1-score尤其关注少数故障类的召回率——漏报一次意味着设备带着故障继续运行。tensorboard 里除了 loss 曲线我还会同时监控每类的 F1。超参数的调整有一条快速路径先用小模型、大步长、短窗口跑通确认损失在下降再逐步把模型放大到目标规模最后固定随机种子微调学习率和 dropout。这样可以把一次完整训练的实验周期从小时级压到分钟级。4. 五个高频踩坑点信号切窗、归一化、优化器与复现环境4.1 训练集与测试集泄漏随机划分让准确率虚高到离谱现象模型在测试集上准确率 99% 以上现场一测就崩故障类别几乎完全分不出来。原因大多数源码用train_test_split按样本直接随机划分。振动信号是连续采集的相邻切窗高度相似——同一个工作状态下的样本绝大多数特征重叠。随机划分后训练集和测试集里是来自同一段连续采集的切片模型相当于考试时提前看到了题面答案。这类准确率虚高是故障诊断方向最容易被论文复现者踩的坑。解决按设备或按时间段划分数据保证同一台设备同一连续采集段的数据不出现在两个集合里。我实际项目里用的是「先按文件划分再切窗」的方式每个.npy文件是一个独立的连续采集段按文件编号排序后取前 70% 做训练、后 30% 做测试。如果数据是按不同工况采集的更严格的做法是按工况划分训练集只包含部分工况测试集包含另一些工况这样评估出来的模型泛化能力才是真实的。4.2 归一化顺序出错全局统计量泄漏未来信息现象训练曲线平滑测试集表现尚可但换一台设备采集的数据上去后准确率骤降十几个点。原因有的源码把整个训练集拼成一个大数组统一计算均值和方差再切窗归一化。测试时同样用训练集统计量去归一化测试数据。问题在于如果训练集和测试集来自不同设备或不同工况幅值分布差异本来就大全局统计量让模型过拟合到特定分布。更重要的是样本级归一化每个窗口独立计算均值和方差才符合在线部署时的实时处理流程——现场程序不可能等一整段信号采完再计算全局统计量。解决统一用样本级 z-score即在__getitem__里对每个窗口独立做归一化。源码里如果出现scaler.fit(train_data)就要警惕。我在系统实现里会在每个样本出__getitem__前完成归一化这样训练和部署的行为完全一致。如果需要跨设备迁移记录的应该是每个传感器通道的物理量程而不是数据集的统计量。4.3 Adam 在后期震荡SGD 配动量最终准确率更高现象Adam 训练前 20 个 epoch 准确率快速爬升之后停滞怎么调学习率都上不去换 SGD 后收敛慢但上限更高。原因Adam 的一阶矩和二阶矩估计让它在早期大步幅高效探索但后期贴近最优解时它对长尾梯度方向的适应能力弱于 SGD。故障诊断的特征空间相对稳定不是自然语言处理那种高维稀疏场景SGD 平滑下降往往得到更锐利的极小值泛化更好。解决我处理这个问题的常规做法是两阶段训练代码在 3.2 节已经给出。细节是切换优化器时要重置学习率SGD 配 0.01 的初始学习率同时把 Adam 训练过程中产生的 BatchNorm 统计量保留下来。实践里这个策略基本不失效。如果你图省事只用一个优化器那就用 SGD 配动量从零开始训练把 epoch 数拉长效果也还行。4.4 故障样本极少的类别不均衡问题现象正常类召回率 99%内圈故障召回率 30%整体准确率 92%看起来不错但故障类别几乎不可用。原因深度学习模型天然偏向多数类。故障数据采集成本高现场设备不允许为了采集故障样本长时间带故障运行所以数据集里正常类样本数量可能是单类故障的十倍以上。如果没有在损失函数层面做干预模型学到的决策边界会严重偏向正常类。解决两手抓。数据层面做数据增强——对振动信号做小幅度的幅值缩放、时间轴轻微拉伸、添加高斯噪声这能缓解样本量问题损失层面用 Focal Loss 或者类别加权交叉熵。注意不要做「SMOTE 插值」这类操作——振动信号是时序波形插值合成出的样本在物理上不成立模型会学到虚假的冲击模式。也可以用对抗训练或生成模型补样本但这已经超出本文的落地范围。我的建议是先用 Focal Loss它代码量小、实验成本最低。4.5 环境配置的随机性PyTorch 版本不一致导致复现失败现象同一个源码在别人机器上准确率 95%自己复现只有 80%或者导师机器上收敛、自己机器上不收敛。原因深度学习涉及 CUDA、cuDNN、PyTorch 三者版本匹配。不同版本对卷积算法的实现细节有差异浮点运算顺序不同累积误差会改变训练轨迹。更隐蔽的是 cuDNN 的确定性算法开关默认是关闭的同一份代码跑两次结果都可能不同。解决固定环境是复现的第一步。我一般用 conda 建独立环境并锁住关键版本conda create -n fdd python3.10 -y conda activate fdd pip install numpy scipy torch torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install scikit-learn matplotlib tqdm tensorboard参数说明cu118对应 CUDA 11.8这是为了和 PyTorch 预编译包配套如果你用 CUDA 12.x就改成cu121或cu124。安装完成后在训练脚本开头固定随机种子import random, numpy as np, torch def set_seed(seed42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) torch.backends.cudnn.deterministic True torch.backends.cudnn.benchmark Falsecudnn.deterministic True让卷积算法固定选择同一实现benchmark False关闭自动择优代价是推理速度略降但换来可复现性。这一步直接影响源码解析型项目的可信度——如果读者按你的源码跑不出你论文里的数字会直接判定项目不可信。养成「记录训练环境的 torch、numpy、CUDA 版本 随机种子」这个习惯对工业项目交接尤其重要。5. 把模型推到现场ONNX 导出、量化部署与持续迭代模型训练完成不是终点还要解决「模型怎么从 Python 训练脚本进到现场设备」。PyTorch 模型在工业现场直接运行不是不行但要装一整套 Python 环境、依赖几百个包这显然不现实。常见做法是导出成 ONNX 格式用 ONNX Runtime 或者转成 TensorRT 在边缘设备上推理。import torch model FaultCNN1D(in_channels1, num_classes4) model.load_state_dict(torch.load(best_model.pt, map_locationcpu)) model.eval() dummy_input torch.randn(1, 1, 2560) # 与训练时的窗口长度保持一致 torch.onnx.export( model, dummy_input, fault_cnn.onnx, input_names[signal], output_names[logits], dynamic_axes{signal: {0: batch_size}}, # 只允许 batch 维度动态 opset_version17 )导出后验证一下输入输出的数值是否和 PyTorch 原模型一致用onnxruntime跑一遍推理对比结果。现场设备的采样数据是连续流推理程序做的事和训练时的__getitem__一致取最近 2560 个点、做样本级 z-score、送入 ONNX Runtime。如果边缘设备算力紧张把 BatchNorm 融合进卷积层做量化可以砍掉一半延迟代价是精度损失 0.5~1%对故障诊断而言通常可接受。系统上线后最重要的一套迭代动作是「漂移检测」。设备状态会随负载、磨损、季节温度变化而缓慢漂移模型推理输出的置信度会逐渐下降。我一般会在部署端记录每个样本的预测类别和置信度设置置信度低于 0.7 时告警定期把低置信度样本回传服务器人工标注后增量重训。没有这套闭环一年前训练好的模型三年后基本失效。深度学习不是一锤子买卖持续的数据回流和重训机制才是一套故障诊断系统真正兑现价值的环节。希望帮到你。本文还有配套的精品资源点击获取
简介这是一套面向毕业设计、课程实践与工业研发场景的机械设备故障诊断Python实现基于深度学习网络分析滚动轴承、齿轮箱等振动频谱特征完成故障类型智能识别。代码按数据预处理、特征提取、模型训练、性能评估模块化组织包含MLP、SAE、RNN、CNN多种网络实现与TensorFlow训练脚本另附技术文档与备份文件。压缩包共40个文件以py源码、xml配置、docx文档为主另有iml工程文件、pyc编译文件及zbak备份整体约235KB结构清晰便于拆解学习。目前已有67人学习下载适合具备一定Python基础、希望借助完整可运行代码快速搭建故障诊断系统并深入理解深度学习建模流程的开发者。资源来源于网络分享仅限学习交流。1. 机械设备故障诊断系统为什么模型不是瓶颈数据链路才是一个基于Python深度学习的机械设备故障诊断系统很多人在调研阶段就误解了一件事以为把振动信号喂给一个足够深的网络模型就能自动把轴承、齿轮、转子的故障状态识别出来。我调试过几套生产级的诊断系统结论和直觉相反——在公开数据集上把准确率从 92% 推到 97% 的往往不是换更大的模型而是信号预处理、切窗对齐、样本组织方式这些数据链路环节。这个标题拆开看是四件事设备信号怎么采集和预处理、故障样本怎么标注和切分、深度学习模型怎么选和怎么训练、源码结构怎么组织才能用于实际系统。适合正在做设备状态监测、预测性维护或研究生课题的工程师也适合第一次接触「Python 深度学习 振动信号」组合的人。本文按我做这类系统的思路来讲先立数据链路再落模型实现最后是部署和源码组织每一处都给出可复现的参数和代码。2. 拆解系统主干从传感器信号到训练样本的完整数据链路2.1 系统怎么选型端到端深度学习还是信号处理加分类器机械设备故障诊断的系统实现通常有三条技术路线我在不同项目里分别试过。第一条是传统方案信号处理提取特征时域的均方根、峰值因子频域的幅值谱、包络谱特征频率再喂给随机森林或支持向量机。这套路成熟、可解释性强、训练快设备振动标准里有大量基于特征值的判定阈值可以直接参考。缺点是特征工程依赖人工经验换一台设备、换一种转速工况前期调特征的周期很长。第二条是端到端深度学习原始振动信号直接作为输入网络自己学特征输出就是故障类别。这是当前论文和开源项目的主流方向也是这个标题所指向的系统形态。它的优势是省去特征工程对变工况的适应性通过数据增强和迁移学习来解决代价是数据需求量更大、模型推理是黑匣子、部署时要考虑算力。第三条是混合方案用深度学习替代传统特征提取器但把故障类型判断拆成「检测 分类」两级结构。第一级用轻量模型判断设备是否异常第二级才用深度模型细分类别。现场系统的常见做法是检测级用阈值或者非常小的网络常驻运行高频采样只有触发异常后才启动深度模型做精细诊断。这样功耗和算力都可控也是我向工业现场推荐的结构。选型的核心原则是先看部署位置再定模型复杂度。如果是实验台架、离线分析端到端方案最合适如果是嵌入式边缘盒子混合方案更现实。你去看那些标榜「免费Python源码大全」里的故障诊断项目绝大多数是端到端方案正因为它们跑在PC上不考虑算力约束。源码解析时也要带着这个视角不要照搬结构到现场。2.2 振动信号处理采样率、切窗长度和归一化的关键参数振动信号是机械设备故障诊断的首选信息来源因为轴承、齿轮的损伤会在啮合频率、固有频率附近产生周期冲击这些信息在振动信号里最直接。电流信号、温度信号也能做但故障特征出现得慢、位置信息模糊。处理振动信号第一步是采样参数。行业经验是采样率至少覆盖到设备最高关注频率的 2.56 倍。一般电机轴承系统采样率取 12.8kHz 或 25.6kHz对应分析频率 5kHz 或 10kHz。信号长度上一次样本至少包含 5 到 10 个轴转周期。比如转速 1500rpm转频 25Hz一个周期 0.04s一次样本至少取 0.2 到 0.4 秒也就是 2560 到 10240 个点。样本太长训练样本数不够太短低频故障特征截不完整。切窗是对连续振动信号的第二次加工。多数公开项目直接按固定点数 n1024 或 2048 切这其实有问题同样 2048 点3000rpm 下覆盖整个轴周期的 10 倍以上600rpm 下只覆盖不到 2 个周期模型学到的是「转速特征」而不是「故障特征」。我一般先算好每转点数points_per_rev fs * 60 / rpm再让窗长为它的整数倍。代码里动态计算窗口长度import numpy as np def compute_window_size(fs, rpm, cycles_per_sample5): 根据转速计算单个样本的窗口长度。 fs: 采样率, Hz rpm: 当前工况转速 cycles_per_sample: 每个样本至少包含多少个轴转周期 points_per_rev fs * 60.0 / rpm window int(points_per_rev * cycles_per_sample) # 对齐到 2 的幂方便后续卷积和池化 window int(2 ** np.floor(np.log2(window))) return window # 参数说明: 1500rpm, 12.8kHz 采样时, 每个样本约 2560 点这段代码计算得到的窗口长度会参与数据加载器的构建。这里有一个常见误区为了凑 batch 尺寸把信号填充或截断到固定长度。更合理的做法是让窗口长度遵循物理周期batch 内的长度不一致问题通过 dataset 封装解决——把全程连续信号一次性读入内存按需切片而不是预先生成固定长度的 HDF5 文件。归一化策略同样和故障类型有关。如果是恒转速工况下的稳态信号全局 z-score 归一化即可如果是变转速或启停过程信号幅值变化大应该先做包络解调或带通滤波再在样本级别归一化。我在源码解析时特别注意看项目的归一化是在哪个环节做的——有些源码把整段信号的均值和方差一起算了再切窗这等于把未来信息泄漏给训练样本后面避坑章节再展开。2.3 数据集构建与标注目录组织、Dataset封装与划分逻辑深度学习故障诊断系统的源码最值得先看的部分不是模型定义而是数据集构建。标注信息通常来自设备台账、检修记录或者实验台架的分组设计。数据集的目录组织我采用的方案是每个故障类型一个文件夹文件名编码工况信息data/ 正常/ rpm1400_load0_20240101_001.npy rpm1400_load0_20240101_002.npy 内圈故障/ rpm1400_load0_B024_001.npy 外圈故障/ rpm1400_load0_B028_001.npynpy 文件里存的是 float32 的一维数组直接用 NumPy 读写比 CSV 快两个数量级这是处理振动信号的常规做法。如果你拿到的原始数据是 mat 文件或 CSV可以在预处理脚本里全部转成 npy后续的训练循环会舒服很多。PyTorch 的 Dataset 类实现有几个细节值得注意。第一不要在每次__getitem__里重复读磁盘而是第一次调用时把整个文件列表的路径读进来按需读取内存映射或者直接把数据全部放进 RAM。第二标签不要硬编码字符串维护一个class_to_idx字典。第三切窗操作放在__getitem__里动态做这样每次 epoch 采样的窗口位置不同相当于一种数据增强。from torch.utils.data import Dataset import os import numpy as np class VibrationDataset(Dataset): def __init__(self, root_dir, window_size, strideNone): self.classes sorted(os.listdir(root_dir)) self.class_to_idx {cls: i for i, cls in enumerate(self.classes)} self.samples [] for cls in self.classes: cls_dir os.path.join(root_dir, cls) for fname in os.listdir(cls_dir): if fname.endswith(.npy): path os.path.join(cls_dir, fname) self.samples.append((path, self.class_to_idx[cls])) self.window_size window_size # 默认步长取窗口的一半让相邻样本有 50% 重叠 self.stride stride if stride is not None else window_size // 2 def __len__(self): return len(self.samples) def __getitem__(self, idx): path, label self.samples[idx] signal np.load(path) # 随机起点切窗训练时等效于数据增强 start np.random.randint(0, max(1, len(signal) - self.window_size)) seg signal[start:start self.window_size] # 样本级 z-score 归一化 seg (seg - seg.mean()) / (seg.std() 1e-6) return seg.astype(np.float32), label参数说明window_size由上一节按转速计算得出stride默认取窗口一半重叠 50% 会让训练样本数量翻倍同时相邻样本具备时序关联适合模型学习周期性冲击特征。如果数据集本来就够大也可以不重叠减少训练时间。划分逻辑是这里最容易翻车的地方。很多源码直接random_split或者用sklearn的train_test_split在样本层面划分。正确的做法是按设备或者按时间段划分来自同一个连续采集段的样本不能同时出现在训练集和测试集里否则测试集数据与训练集共享了同一段信号的特征分布准确率虚高。我会先把每个原始信号文件作为一个整体切出一段连续保留区再从保留区内部切窗保证训练集和测试集在物理上隔离。3. 核心算法与PyTorch实现一维卷积如何吃下振动信号并输出故障类别3.1 输入形态的选择为什么直接喂原始振动波形而不是频谱或图像源码解析中出现的模型输入通常是三类形态原始时域波形、频域幅值谱、二维图像时频图或按某种方式重排的灰度图。结果差异很大但不少初学者误以为越复杂越好。原始时域波形是一维序列直接保留相位信息、冲击间隔和瞬态特征这也是机械设备故障诊断最顺理成章的建模方式。轴承外圈故障的特征是周期性冲击冲击间隔正好对应故障特征频率这类信息在时域里非常清晰卷积核可以学习到冲击波形模式。频域谱是时域信号经过傅里叶变换后的结果长度通常截取到分析频率的一半。它的好处是把周期性转成峰值对转速波动更敏感。我见过一些源码直接对时域信号做短时傅里叶变换生成二维时频图再喂给二维 CNN——这套路从论文角度来看合理但工程上成本明显更高图像尺寸动辄 224×224计算量是一维输入的几十倍推理延迟翻几倍。在设备诊断的真实场景里原始一维波形已经提供了足够的判别信息响应速度还更快。我的选型建议是第一版先跑一维原始波形 一维 CNN训练时间短、内存占用小、迭代速度快。如果准确率不够再尝试加频域分支做成双输入模型而不是上来就直接上二维图像。做源码解析时也可以看一眼归一化的位置——如果项目直接把时域波形做了频谱变换那它的预处理逻辑是围绕频域的模型里配合的往往是一维卷积沿频率轴扫描。import torch.nn as nn class FaultCNN1D(nn.Module): 一维卷积网络, 输入 (B, 1, N), 输出 (B, C) def __init__(self, in_channels1, num_classes4, input_length2560): super().__init__() self.features nn.Sequential( nn.Conv1d(in_channels, 16, kernel_size32, stride4, padding15), nn.BatchNorm1d(16), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(16, 32, kernel_size16, stride2, padding8), nn.BatchNorm1d(32), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(32, 64, kernel_size8, stride2, padding4), nn.BatchNorm1d(64), nn.ReLU(), nn.AdaptiveAvgPool1d(1), ) self.classifier nn.Sequential( nn.Flatten(), nn.Dropout(0.3), nn.Linear(64, num_classes) ) def forward(self, x): x self.features(x) x self.classifier(x) return x代码里的几个参数选择值得说明。第一层卷积核 32 点、步长 4对应的感受野是 0.0025 秒12.8kHz 采样下恰好能捕捉一个冲击脉冲的上升沿步长 4 能减少计算量。后面两层卷积核逐层减半通道数逐层翻倍这种设计让时间分辨率先粗后细、特征维度先少后多。AdaptiveAvgPool1d(1)把最终的时间维压成 1保证模型输出不受输入信号长度影响换一个采样率或者换一台设备也能保持输出维度一致。3.2 训练流程超参数、损失函数与评估指标怎么定故障诊断本质上是多分类问题损失函数用交叉熵即可。但样本不均衡在故障诊断里是常态——正常状态数据多得用不完故障状态数据稀缺。处理办法有几种最简单的类别加权交叉熵或者过采样少数类。现场设备的真实场景里故障数据本来就少深度模型的参数空间很大容易过拟合到多数类。所以我把 Focal Loss 作为首选项它让模型把注意力集中在难分类的少数类样本上。以下是一个可以直接替换 nn.CrossEntropyLoss 的实现import torch import torch.nn as nn import torch.nn.functional as F class FocalLoss(nn.Module): def __init__(self, alphaNone, gamma2.0): super().__init__() self.alpha alpha # 类别权重, 长度为 num_classes 的 tensor self.gamma gamma # 聚焦参数, 越大对易分类样本的抑制越强 def forward(self, logits, targets): ce F.cross_entropy(logits, targets, reductionnone, weightself.alpha) pt torch.exp(-ce) # 当前样本被正确分类的置信度 loss (1 - pt) ** self.gamma * ce return loss.mean()Focal Loss 的原理一句话就能说清当某个样本已经被模型正确分类且置信度很高时pt 接近 1系数 (1-pt)^gamma 趋近于 0损失被压低难分样本的贡献就相对放大了。gamma 取 2.0 是论文里验证过的常规值alpha 按类别占比的倒数设置。优化器选择上也有一条血泪经验。一维振动信号的特征分布相对稳定Adam 在早期收敛很快但后期往往在最优解附近震荡准确率比 SGD 配动量低 1~2 个百分点。我的做法是先用 Adam 跑 30 个 epoch 找到好的起点再切换成 SGD momentum 0.9 cosine annealing 精调。你也可以直接在训练脚本里用一个简单的调度器实现。import torch.optim as optim from torch.optim.lr_scheduler import CosineAnnealingLR def build_optimizer(model, stage): if stage warmup: return optim.Adam(model.parameters(), lr1e-3, weight_decay1e-4) else: optimizer optim.SGD(model.parameters(), lr1e-2, momentum0.9, weight_decay1e-4) scheduler CosineAnnealingLR(optimizer, T_max50) return optimizer, scheduler # 参数说明: 预热阶段 lr1e-3 保证稳定开局; 精调阶段 lr1e-2 的 SGD 配合余弦退火, # 在训练后期把学习率降到接近 0, 让参数在最优解附近完成收敛训练的评估指标不能只看准确率。故障诊断的现实是故障类别往往远少于正常类别模型可以靠「全部预测正常」拿到 90% 以上准确率但这个模型对现场毫无价值。要看每个类别的精确率、召回率、F1-score尤其关注少数故障类的召回率——漏报一次意味着设备带着故障继续运行。tensorboard 里除了 loss 曲线我还会同时监控每类的 F1。超参数的调整有一条快速路径先用小模型、大步长、短窗口跑通确认损失在下降再逐步把模型放大到目标规模最后固定随机种子微调学习率和 dropout。这样可以把一次完整训练的实验周期从小时级压到分钟级。4. 五个高频踩坑点信号切窗、归一化、优化器与复现环境4.1 训练集与测试集泄漏随机划分让准确率虚高到离谱现象模型在测试集上准确率 99% 以上现场一测就崩故障类别几乎完全分不出来。原因大多数源码用train_test_split按样本直接随机划分。振动信号是连续采集的相邻切窗高度相似——同一个工作状态下的样本绝大多数特征重叠。随机划分后训练集和测试集里是来自同一段连续采集的切片模型相当于考试时提前看到了题面答案。这类准确率虚高是故障诊断方向最容易被论文复现者踩的坑。解决按设备或按时间段划分数据保证同一台设备同一连续采集段的数据不出现在两个集合里。我实际项目里用的是「先按文件划分再切窗」的方式每个.npy文件是一个独立的连续采集段按文件编号排序后取前 70% 做训练、后 30% 做测试。如果数据是按不同工况采集的更严格的做法是按工况划分训练集只包含部分工况测试集包含另一些工况这样评估出来的模型泛化能力才是真实的。4.2 归一化顺序出错全局统计量泄漏未来信息现象训练曲线平滑测试集表现尚可但换一台设备采集的数据上去后准确率骤降十几个点。原因有的源码把整个训练集拼成一个大数组统一计算均值和方差再切窗归一化。测试时同样用训练集统计量去归一化测试数据。问题在于如果训练集和测试集来自不同设备或不同工况幅值分布差异本来就大全局统计量让模型过拟合到特定分布。更重要的是样本级归一化每个窗口独立计算均值和方差才符合在线部署时的实时处理流程——现场程序不可能等一整段信号采完再计算全局统计量。解决统一用样本级 z-score即在__getitem__里对每个窗口独立做归一化。源码里如果出现scaler.fit(train_data)就要警惕。我在系统实现里会在每个样本出__getitem__前完成归一化这样训练和部署的行为完全一致。如果需要跨设备迁移记录的应该是每个传感器通道的物理量程而不是数据集的统计量。4.3 Adam 在后期震荡SGD 配动量最终准确率更高现象Adam 训练前 20 个 epoch 准确率快速爬升之后停滞怎么调学习率都上不去换 SGD 后收敛慢但上限更高。原因Adam 的一阶矩和二阶矩估计让它在早期大步幅高效探索但后期贴近最优解时它对长尾梯度方向的适应能力弱于 SGD。故障诊断的特征空间相对稳定不是自然语言处理那种高维稀疏场景SGD 平滑下降往往得到更锐利的极小值泛化更好。解决我处理这个问题的常规做法是两阶段训练代码在 3.2 节已经给出。细节是切换优化器时要重置学习率SGD 配 0.01 的初始学习率同时把 Adam 训练过程中产生的 BatchNorm 统计量保留下来。实践里这个策略基本不失效。如果你图省事只用一个优化器那就用 SGD 配动量从零开始训练把 epoch 数拉长效果也还行。4.4 故障样本极少的类别不均衡问题现象正常类召回率 99%内圈故障召回率 30%整体准确率 92%看起来不错但故障类别几乎不可用。原因深度学习模型天然偏向多数类。故障数据采集成本高现场设备不允许为了采集故障样本长时间带故障运行所以数据集里正常类样本数量可能是单类故障的十倍以上。如果没有在损失函数层面做干预模型学到的决策边界会严重偏向正常类。解决两手抓。数据层面做数据增强——对振动信号做小幅度的幅值缩放、时间轴轻微拉伸、添加高斯噪声这能缓解样本量问题损失层面用 Focal Loss 或者类别加权交叉熵。注意不要做「SMOTE 插值」这类操作——振动信号是时序波形插值合成出的样本在物理上不成立模型会学到虚假的冲击模式。也可以用对抗训练或生成模型补样本但这已经超出本文的落地范围。我的建议是先用 Focal Loss它代码量小、实验成本最低。4.5 环境配置的随机性PyTorch 版本不一致导致复现失败现象同一个源码在别人机器上准确率 95%自己复现只有 80%或者导师机器上收敛、自己机器上不收敛。原因深度学习涉及 CUDA、cuDNN、PyTorch 三者版本匹配。不同版本对卷积算法的实现细节有差异浮点运算顺序不同累积误差会改变训练轨迹。更隐蔽的是 cuDNN 的确定性算法开关默认是关闭的同一份代码跑两次结果都可能不同。解决固定环境是复现的第一步。我一般用 conda 建独立环境并锁住关键版本conda create -n fdd python3.10 -y conda activate fdd pip install numpy scipy torch torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install scikit-learn matplotlib tqdm tensorboard参数说明cu118对应 CUDA 11.8这是为了和 PyTorch 预编译包配套如果你用 CUDA 12.x就改成cu121或cu124。安装完成后在训练脚本开头固定随机种子import random, numpy as np, torch def set_seed(seed42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) torch.backends.cudnn.deterministic True torch.backends.cudnn.benchmark Falsecudnn.deterministic True让卷积算法固定选择同一实现benchmark False关闭自动择优代价是推理速度略降但换来可复现性。这一步直接影响源码解析型项目的可信度——如果读者按你的源码跑不出你论文里的数字会直接判定项目不可信。养成「记录训练环境的 torch、numpy、CUDA 版本 随机种子」这个习惯对工业项目交接尤其重要。5. 把模型推到现场ONNX 导出、量化部署与持续迭代模型训练完成不是终点还要解决「模型怎么从 Python 训练脚本进到现场设备」。PyTorch 模型在工业现场直接运行不是不行但要装一整套 Python 环境、依赖几百个包这显然不现实。常见做法是导出成 ONNX 格式用 ONNX Runtime 或者转成 TensorRT 在边缘设备上推理。import torch model FaultCNN1D(in_channels1, num_classes4) model.load_state_dict(torch.load(best_model.pt, map_locationcpu)) model.eval() dummy_input torch.randn(1, 1, 2560) # 与训练时的窗口长度保持一致 torch.onnx.export( model, dummy_input, fault_cnn.onnx, input_names[signal], output_names[logits], dynamic_axes{signal: {0: batch_size}}, # 只允许 batch 维度动态 opset_version17 )导出后验证一下输入输出的数值是否和 PyTorch 原模型一致用onnxruntime跑一遍推理对比结果。现场设备的采样数据是连续流推理程序做的事和训练时的__getitem__一致取最近 2560 个点、做样本级 z-score、送入 ONNX Runtime。如果边缘设备算力紧张把 BatchNorm 融合进卷积层做量化可以砍掉一半延迟代价是精度损失 0.5~1%对故障诊断而言通常可接受。系统上线后最重要的一套迭代动作是「漂移检测」。设备状态会随负载、磨损、季节温度变化而缓慢漂移模型推理输出的置信度会逐渐下降。我一般会在部署端记录每个样本的预测类别和置信度设置置信度低于 0.7 时告警定期把低置信度样本回传服务器人工标注后增量重训。没有这套闭环一年前训练好的模型三年后基本失效。深度学习不是一锤子买卖持续的数据回流和重训机制才是一套故障诊断系统真正兑现价值的环节。希望帮到你。本文还有配套的精品资源点击获取
