电机、泵、风机等旋转设备的早期故障常表现为振动异常。传统方法依赖专家看频谱图,难以规模化。深度学习可直接从振动信号学习故障特征,把一维时序转成二维频谱图后用图像分类思路处理,是业界成熟且可复现的路线。
一、数据:公开轴承数据集
凯斯西储大学(Case Western Reserve University)轴承数据集是故障诊断领域的标准基准,包含正常与多种内外圈、滚动体故障的振动记录。用它做基线,可省去自行标注的成本,先把流程跑通再迁移到自有产线数据。
二、信号转图像:梅尔频谱
把一段振动信号转为梅尔频谱图并保存,作为 CNN 的输入。以下示例使用 librosa,依赖 pip install librosa numpy:
import librosa, numpy as np, librosa.display
sig, sr = librosa.load('bearing_007.wav', sr=None)
S = librosa.feature.melspectrogram(y=sig, sr=sr, n_mels=128)
logS = librosa.power_to_db(S, ref=np.max)
print('频谱图形状', logS.shape) # (128, 时间帧)三、轻量 CNN 分类
用 PyTorch 定义一个两层卷积的小网络完成多类故障分类。以下为关键结构示例,依赖 pip install torch:
import torch.nn as nn
class MiniCNN(nn.Module):
def __init__(self, n_class=10):
super().__init__()
self.net = nn.Sequential(
nn.Conv2d(1, 16, 3), nn.ReLU(), nn.MaxPool2d(2),
nn.Conv2d(16, 32, 3), nn.ReLU(), nn.MaxPool2d(2),
nn.Flatten(), nn.Linear(32 * 30 * 30, 64), nn.ReLU(),
nn.Linear(64, n_class))
def forward(self, x):
return self.net(x)
model = MiniCNN()
print(model)四、部署与门槛
提醒:落地生产需稳定采样与足量故障样本标注,样本不平衡会拉低少数类召回;边缘侧可把训练好的模型导出为 ONNX 用 ONNX Runtime 推理,降低现场算力要求;建议先在同一型号设备的小批量上验证,再横向复制。
参考来源
CWRU 轴承故障诊断数据集 - Case Western Reserve University(Bearing Data Center);librosa 官方文档:频谱特征 - librosa 项目;PyTorch 官方教程:训练图像分类器 - PyTorch 项目。