欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

工业设备振动信号的故障诊断:梅尔频谱与卷积神经网络的可复现实践

上邦 AI 工程团队2026-10-03阅读 约 8 分钟
旋转机械的轴承与齿轮故障会在振动信号中留下特征。本文给出一条可复现的故障诊断链路:用 librosa 把一维振动信号转为梅尔频谱图,再用 PyTorch 训练轻量 CNN 完成多类故障分类,并说明其在预测性维护中的部署位置与数据门槛,并给出样本采集与标注的实操注意事项。
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。
相关标签:智能制造预测性维护故障诊断PyTorch信号处理

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案