基于Python与深度学习的滚动轴承智能故障诊断实战指南-编程实验室

简介：在工业预测性维护领域，从设备振动信号中自动识别故障是核心技术挑战。其原理在于，故障会引发特定的振动模式，传统方法依赖专家经验分析频谱图，效率低下且难以应对早期微弱故障。深度学习技术，特别是卷积神经网络（CNN），通过自动学习特征，为解决这一问题提供了强大工具。其技术价值在于将专家经验转化为可量化、可复用的算法模型，实现7x24小时自动化监测。在应用场景上，该方法广泛适用于风机、机床、电机等关键旋转机械的轴承健康管理。本文以滚动轴承为具体对象，详细阐述了如何利用Python，结合连续小波变换（CWT）生成时频图，并构建和训练CNN模型，最终实现一个端到端的智能诊断系统，有效解决了传统方法依赖专家经验和硬件门槛高的问题。

1. 项目概述：从振动信号到智能预警

滚动轴承是旋转机械里最核心也最脆弱的部件之一，说它是设备的“关节”一点不为过。我在工厂里泡了十几年，见过太多因为一个轴承突然失效，导致整条产线停机、甚至引发严重安全事故的案例。传统的故障诊断，要么靠老师傅的耳朵和经验，要么依赖昂贵的进口振动分析仪，不仅门槛高，而且很难做到实时预警和批量处理。

这个项目，就是想把这事儿给“平民化”和“智能化”。核心思路很简单：用Python作为开发工具，结合深度学习算法，打造一个能自动从轴承振动信号里识别故障类型和严重程度的智能诊断系统。它不依赖昂贵的硬件，一段振动数据文件丢进去，就能给你一个明确的诊断结论：是内圈故障、外圈故障、滚动体故障，还是保持架问题？严重程度如何？这对于设备预测性维护、降低非计划停机时间，价值巨大。

整个系统的输入是滚动轴承运行时的振动加速度信号（通常来自传感器），输出是故障的分类和定位。它的核心价值在于，将老师傅的“经验”和“感觉”，转化为可量化、可复制、可7x24小时运行的算法模型。无论是风电场的风机主轴轴承，还是数控机床的主轴，或者是大型电机的支撑轴承，这套方法论都适用。接下来，我就把这个从数据到模型，再到完整系统的“造轮子”过程，掰开揉碎了讲给你听。

2. 核心思路与方案选型：为什么是“信号处理+深度学习”？

做故障诊断，尤其是基于振动信号的，逃不开一个核心问题：如何从看似杂乱无章的时域波形里，提取出能表征故障特征的信息？传统的信号处理方法，比如快速傅里叶变换（FFT）得到频谱图，再找故障特征频率，这套流程很经典，但有两个致命弱点：一是严重依赖专家经验去解读频谱，二是对早期微弱故障和复合故障（多种故障同时发生）的识别能力很弱。

所以，我们选择“特征工程+深度学习”和“端到端深度学习”两条腿走路的方案。这不是拍脑袋决定的，而是基于实际工程中的需求权衡。

2.1 方案一：基于手动特征工程的经典机器学习路径

这条路径比较稳妥，可解释性强。它的流程是：原始振动信号 -> 信号预处理（去噪、归一化）-> 手动提取时域、频域、时频域特征 -> 构建特征向量 -> 送入分类器（如SVM、随机森林）进行训练和预测。

时域特征：比如均方根值（RMS，反映振动能量）、峰值、峭度（对冲击敏感，早期故障常用）、波形因子等。计算简单，对某些故障敏感。
频域特征：经过FFT后，计算频谱的质心、均方频率、频率方差等。能反映能量在频率上的分布。
时频域特征：这是关键。因为轴承故障的冲击信号是非平稳的，单纯的频谱会丢失时间信息。我们常用短时傅里叶变换（STFT）或连续小波变换（CWT），将一维信号转化为二维的时频图（就像一张“声纹”图）。这张图上，故障引起的冲击及其谐波会呈现出明显的“条纹”模式。

注意：手动提取特征非常考验经验。比如，峭度指标对早期故障很灵敏，但当故障发展到后期，信号中充满大量冲击，峭度值反而会下降，造成误判。因此，通常需要组合多个特征，并做特征选择，过程繁琐。

2.2 方案二：基于深度学习的端到端智能路径

这是本项目的主力方向。我们让深度学习模型，特别是卷积神经网络（CNN），直接从原始数据或其简单变换（如时频图）中学习特征。省去了复杂且依赖经验的手工特征工程。

为什么是CNN？轴承的振动时频图，在结构上非常接近图像。故障特征（如冲击谐波）在时频图中表现为有规律的图案。CNN在图像识别领域的强大能力，正好可以迁移过来，自动捕捉这些空间局部模式。
模型输入是什么？我们通常不直接把一长串时域信号扔给CNN。更有效的做法是，将长时间的振动信号，切割成多个固定长度的样本段。对每个样本段进行STFT或CWT，生成一张时频图（灰度图或伪彩图）。这样，我们就将故障诊断问题，转化为了一个图像分类问题。模型的任务就是学会区分：这张时频图对应的是“健康状态”、“内圈故障”、“外圈故障”还是其他。

两种方案的取舍：在实际系统中，我通常会融合使用。经典特征工程路径得到的特征向量，可以作为辅助输入，与CNN提取的深层特征在模型的全连接层进行融合，有时能提升1-2个百分点的准确率，尤其是在数据量不够大的时候。但对于追求极致自动化和性能的新系统，我会优先深耕端到端的深度学习方案。

3. 数据集构建与预处理：一切模型的基础

“巧妇难为无米之炊”，数据集的质量直接决定了模型的天花板。滚动轴承的故障数据，主要有两个来源：公开数据集和自建试验台采集。

3.1 主流公开数据集详解与选用

对于入门和算法验证，公开数据集是首选。这里详细拆解最常用的两个：

凯斯西储大学（CWRU）轴承数据中心数据集
- 这是标杆。几乎所有相关论文都会用它做基准测试。数据是在一个电机驱动-风扇负载的实验台上采集的。故障是通过电火花加工在轴承上人工切出的单点损伤，直径从0.007英寸到0.04英寸不等，模拟了不同严重程度。
- 数据内容：驱动端和风扇端的振动加速度数据，采样频率12kHz和48kHz。包含健康状态、内圈故障、外圈故障（负载区不同位置）、滚动体故障。
- 如何使用：
  - 下载：直接从官网下载MAT文件。
  - 读取：用Python的scipy.io库的loadmat函数加载。
  - 关键点：不同故障直径的数据是分开文件的，需要自己根据实验说明进行整合和标注。外圈故障要特别注意，有“3点钟”、“6点钟”、“12点钟”方向（相对于负载区）的区别，其振动特征有差异。
帕德博恩大学（PU）轴承数据集
- 更接近工业现实。这个数据集的特点是包含了真实磨损而非人工切槽产生的故障，以及多种负载和转速条件。这对于验证模型的泛化能力极其宝贵。
- 数据内容：除了振动数据，还有电机电流、扭矩、转速等多元传感器信息。故障类型包括内圈、外圈、复合故障以及真实磨损。
- 实操难点：数据量巨大，文件格式多样（如mat, csv）。需要仔细阅读其文档，理解其复杂的文件夹结构和命名规则，才能正确提取对应工况下的数据段。

数据集选择心得：起步阶段，强烈建议从CWRU开始，它的结构相对清晰，社区资料多，容易复现结果。当你的模型在CWRU上表现不错后，一定要用PU数据集来“拷打”一下，检验模型在变工况下的鲁棒性。这能有效避免模型过拟合到单一实验条件。

3.2 数据预处理全流程实操

拿到原始数据文件只是第一步，加工成模型能“消化”的格式，才是重头戏。

步骤1：数据读取与整合以CWRU的48kHz驱动端数据为例：

import numpy as np import scipy.io as sio # 假设文件结构已整理好 data_path = ‘path/to/cwru/48k_drive_end/‘ # 加载一个文件，例如0.007英寸内圈故障 mat_data = sio.loadmat(data_path + ‘IR007_0.mat‘) # 振动数据通常在列名为 ‘X‘ 或 ‘DE‘ 的键下 vibration_signal = mat_data[‘X‘][:, 0] # 取第一列

你需要写一个循环或函数，遍历所有需要的文件（健康、各种故障类型和尺寸），将数据读入一个大的列表或数组，并同步生成对应的标签列表（如用0表示健康，1表示内圈故障等）。

步骤2：数据切片与样本生成原始信号可能长达几十万点，不能直接输入。我们需要将其切割成固定长度（如1024、2048点）的样本段。

def create_samples(signal, label, sample_length=1024, overlap_ratio=0.5): “”” 将长信号切割为重叠的样本段 signal: 原始振动信号 label: 该信号对应的标签 sample_length: 每个样本的长度 overlap_ratio: 重叠率，0.5表示50%重叠 “”” samples = [] labels = [] step = int(sample_length * (1 - overlap_ratio)) for i in range(0, len(signal) - sample_length + 1, step): sample = signal[i:i+sample_length] samples.append(sample) labels.append(label) return np.array(samples), np.array(labels)

为什么重叠采样？为了增加样本数量，防止切割时恰好漏掉故障冲击点，使模型学习更充分。

步骤3：生成时频图（关键转换）这是将一维信号变为二维图像的关键步骤。我强烈推荐使用连续小波变换（CWT），因为它能提供比STFT更好的时频分辨率，尤其适合分析瞬态冲击信号。

import pywt import numpy as np def compute_cwt(sample, scales=np.arange(1, 129), wavelet=‘cmor1.5-1.0‘): “”” 计算单一样本段的连续小波变换时频图 “”” coefficients, frequencies = pywt.cwt(sample, scales, wavelet, sampling_period=1/48000) # 取系数的绝对值，并转换为灰度图像格式 (0-255) img = np.abs(coefficients) # 归一化到0-255 img = 255 * (img - img.min()) / (img.max() - img.min()) img = img.astype(np.uint8) # 可以调整图像大小，如 (128, 128) 以适应CNN输入 return img

小波函数选择：‘cmor‘（复Morlet）小波是分析振动信号的常用选择，它在时域和频域都有较好的局部性。1.5-1.0是带宽和中心频率参数，可以根据信号主要频率成分微调。

步骤4：数据集划分与保存将生成的所有时频图样本和标签，按比例（如7:2:1）随机划分为训练集、验证集和测试集。然后保存为.npy文件或直接使用TensorFlow的tf.data.Dataset/PyTorch的Dataset类进行封装，便于后续加载。

from sklearn.model_selection import train_test_split X_train, X_temp, y_train, y_temp = train_test_split(all_images, all_labels, test_size=0.3, random_state=42, stratify=all_labels) X_val, X_test, y_val, y_test = train_test_split(X_temp, y_temp, test_size=0.33, random_state=42, stratify=y_temp) # 保存 np.save(‘X_train.npy‘, X_train) np.save(‘y_train.npy‘, y_train) # ... 其他

4. 深度学习模型构建、训练与优化

有了高质量的数据集，我们就可以搭建和训练模型了。这里以PyTorch框架为例，构建一个用于时频图分类的CNN模型。

4.1 模型架构设计与实现

我们不需要从零设计最前沿的复杂网络，一个结构清晰、深度适中的CNN通常就能取得非常好的效果。这里设计一个包含卷积、池化、批归一化和Dropout的经典结构。

import torch import torch.nn as nn import torch.nn.functional as F class BearingFaultCNN(nn.Module): def __init__(self, num_classes=4): # 假设4类：健康，内圈，外圈，滚动体 super(BearingFaultCNN, self).__init__() # 输入假设为 (1, 128, 128) 的灰度时频图 self.conv1 = nn.Conv2d(in_channels=1, out_channels=32, kernel_size=3, padding=1) self.bn1 = nn.BatchNorm2d(32) self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2) # 输出 (32, 64, 64) self.conv2 = nn.Conv2d(32, 64, kernel_size=3, padding=1) self.bn2 = nn.BatchNorm2d(64) self.pool2 = nn.MaxPool2d(2, 2) # 输出 (64, 32, 32) self.conv3 = nn.Conv2d(64, 128, kernel_size=3, padding=1) self.bn3 = nn.BatchNorm2d(128) self.pool3 = nn.MaxPool2d(2, 2) # 输出 (128, 16, 16) # 全连接层前需要展平 self.flatten = nn.Flatten() # 计算展平后的尺寸: 128 * 16 * 16 = 32768 self.fc1 = nn.Linear(32768, 256) self.dropout1 = nn.Dropout(0.5) # Dropout防止过拟合 self.fc2 = nn.Linear(256, 128) self.dropout2 = nn.Dropout(0.3) self.fc3 = nn.Linear(128, num_classes) def forward(self, x): x = self.pool1(F.relu(self.bn1(self.conv1(x)))) x = self.pool2(F.relu(self.bn2(self.conv2(x)))) x = self.pool3(F.relu(self.bn3(self.conv3(x)))) x = self.flatten(x) x = F.relu(self.fc1(x)) x = self.dropout1(x) x = F.relu(self.fc2(x)) x = self.dropout2(x) x = self.fc3(x) # 最后一层不用激活函数，配合CrossEntropyLoss return x

设计要点解析：

卷积核：使用3x3小卷积核堆叠，在减少参数的同时增加网络深度和非线性表达能力。
批归一化（BatchNorm）：加速训练收敛，对模型初始化和学习率不那么敏感，是稳定训练的“神器”。
池化层：逐步降低特征图的空间尺寸，扩大感受野，提取更抽象的特征，同时减少计算量。
Dropout：在全连接层使用，随机“关闭”一部分神经元，是防止模型在训练集上过拟合的有效正则化手段。
激活函数：ReLU及其变种（如LeakyReLU）是CNN的标准选择，计算简单且能缓解梯度消失。

4.2 模型训练流程与超参数调优

模型定义好后，需要一套完整的训练流程。这里涉及数据加载、损失函数、优化器、学习率调度和训练循环。

import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset # 1. 准备数据 train_dataset = TensorDataset(torch.from_numpy(X_train).unsqueeze(1).float(), torch.from_numpy(y_train).long()) train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True) # 同理准备val_loader和test_loader # 2. 初始化模型、损失函数、优化器 device = torch.device(‘cuda‘ if torch.cuda.is_available() else ‘cpu‘) model = BearingFaultCNN(num_classes=4).to(device) criterion = nn.CrossEntropyLoss() # 多分类交叉熵损失 optimizer = optim.Adam(model.parameters(), lr=0.001) # Adam优化器，自适应学习率 scheduler = optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode=‘min‘, factor=0.5, patience=5, verbose=True) # 当验证集损失连续5个epoch不下降时，学习率减半 # 3. 训练循环 num_epochs = 50 best_val_acc = 0.0 for epoch in range(num_epochs): model.train() running_loss = 0.0 for inputs, labels in train_loader: inputs, labels = inputs.to(device), labels.to(device) optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() * inputs.size(0) # 验证阶段 model.eval() val_loss = 0.0 correct = 0 total = 0 with torch.no_grad(): for inputs, labels in val_loader: inputs, labels = inputs.to(device), labels.to(device) outputs = model(inputs) loss = criterion(outputs, labels) val_loss += loss.item() * inputs.size(0) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() epoch_train_loss = running_loss / len(train_loader.dataset) epoch_val_loss = val_loss / len(val_loader.dataset) epoch_val_acc = 100 * correct / total # 学习率调度 scheduler.step(epoch_val_loss) # 保存最佳模型 if epoch_val_acc > best_val_acc: best_val_acc = epoch_val_acc torch.save(model.state_dict(), ‘best_bearing_cnn_model.pth‘) print(f‘Epoch [{epoch+1}/{num_epochs}], Train Loss: {epoch_train_loss:.4f}, Val Loss: {epoch_val_loss:.4f}, Val Acc: {epoch_val_acc:.2f}%‘)

超参数调优实战经验：

批量大小（Batch Size）：通常从32、64、128开始尝试。较小的Batch Size可能带来更好的泛化性能，但训练更慢、更震荡。对于本任务，64是一个不错的起点。
初始学习率（Learning Rate）：这是最重要的超参数之一。Adam优化器下，0.001或0.0005是常用起点。一定要使用学习率调度器，如ReduceLROnPlateau或CosineAnnealingLR，让学习率在训练中动态下降，有助于模型跳出局部最优，收敛到更好的解。
优化器：Adam在大多数情况下是默认首选，它结合了动量和自适应学习率。如果追求极致的精度，可以在后期切换到SGD with momentum并进行精细调优，但Adam的收敛速度更快，更省心。
正则化：除了Dropout，还可以在优化器中加入权重衰减（Weight Decay），即L2正则化，防止权重过大过拟合。optim.Adam(model.parameters(), lr=0.001, weight_decay=1e-4)。

4.3 高级模型与技巧探索

当基础CNN模型性能达到瓶颈（例如在PU数据集上准确率停滞不前），可以考虑以下进阶方向：

使用预训练模型（迁移学习）：将ImageNet上预训练好的ResNet、EfficientNet等模型的卷积部分作为特征提取器，只重新训练最后的全连接层。这尤其适用于我们自己采集的数据量较小的情况，能快速获得一个强大的基线模型。

import torchvision.models as models model = models.resnet18(pretrained=True) # 修改第一层卷积，适应单通道输入（灰度图） model.conv1 = nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3, bias=False) # 修改最后的全连接层，输出为我们的类别数 num_ftrs = model.fc.in_features model.fc = nn.Linear(num_ftrs, 4)

引入注意力机制：在CNN基础上加入CBAM（Convolutional Block Attention Module）或SE（Squeeze-and-Excitation）模块。这些模块让模型学会“关注”时频图中与故障最相关的区域（比如冲击发生的特定频带和时间点），抑制无关噪声，能显著提升模型判别能力。
尝试时序模型：故障本质上是时间序列中的事件。可以结合CNN与LSTM/GRU。先用CNN提取时频图的局部空间特征，再将特征序列输入LSTM捕捉时间上的依赖关系（如故障冲击的周期性）。这种结构对变转速工况下的故障诊断特别有效。

5. 系统集成、部署与性能评估

模型训练好，准确率很高，这仅仅是完成了算法部分。要成为一个可用的“系统”，还需要考虑如何集成、部署和评估。

5.1 构建完整的诊断Pipeline

一个完整的诊断系统，其工作流程应该是自动化的：

实时/离线振动数据流 -> 数据预处理（去噪、切片）-> 时频图生成 -> 加载训练好的模型 -> 模型推理 -> 输出诊断结果（故障类型、置信度）-> 可视化/报警/存储

我们可以用Python的类来封装这个流程：

class BearingFaultDiagnosisSystem: def __init__(self, model_path, sample_len=1024, scales=np.arange(1, 129)): self.device = torch.device(‘cuda‘ if torch.cuda.is_available() else ‘cpu‘) self.model = BearingFaultCNN(num_classes=4).to(self.device) self.model.load_state_dict(torch.load(model_path, map_location=self.device)) self.model.eval() # 设置为评估模式 self.sample_len = sample_len self.scales = scales self.label_map = {0: ‘健康‘, 1: ‘内圈故障‘, 2: ‘外圈故障‘, 3: ‘滚动体故障‘} def diagnose(self, raw_signal): “””对一段原始振动信号进行诊断“”” # 1. 预处理（这里可以加入滤波等） processed_signal = self._preprocess(raw_signal) # 2. 滑动窗口切片（可重叠） samples = self._segment_signal(processed_signal) diagnoses = [] confidences = [] for sample in samples: # 3. 生成时频图 cwt_image = compute_cwt(sample, self.scales) # 转换为模型输入格式 input_tensor = torch.from_numpy(cwt_image).unsqueeze(0).unsqueeze(0).float().to(self.device) # 4. 模型推理 with torch.no_grad(): output = self.model(input_tensor) probabilities = F.softmax(output, dim=1) confidence, predicted = torch.max(probabilities, 1) diagnoses.append(self.label_map[predicted.item()]) confidences.append(confidence.item()) # 5. 聚合结果（例如，取所有窗口中最多的诊断类别） final_diagnosis = max(set(diagnoses), key=diagnoses.count) avg_confidence = np.mean(confidences) return final_diagnosis, avg_confidence, list(zip(diagnoses, confidences)) # 返回详细结果 def _preprocess(self, signal): # 示例：简单的去直流和归一化 signal = signal - np.mean(signal) signal = signal / (np.std(signal) + 1e-8) return signal def _segment_signal(self, signal): # 简单的非重叠切片 num_samples = len(signal) // self.sample_len segments = [] for i in range(num_samples): segments.append(signal[i*self.sample_len:(i+1)*self.sample_len]) return segments

5.2 模型性能评估与可解释性

不能只看测试集准确率。一个可靠的系统需要多维度评估：

混淆矩阵（Confusion Matrix）：这是最重要的工具。它能清晰显示模型在每一类故障上的具体表现，看看是哪些类别容易混淆（比如把早期内圈故障误判为健康）。使用sklearn.metrics.confusion_matrix和seaborn.heatmap可以直观展示。
分类报告：包括精确率（Precision）、召回率（Recall）、F1-score等指标。对于故障诊断，召回率尤其重要——我们宁愿误报（将健康判为故障），也绝不能漏报（将故障判为健康）。漏报意味着隐患被放过。
ROC曲线与AUC：对于二分类问题（如健康vs故障）非常有用，可以评估模型在不同判定阈值下的性能。
模型可解释性：使用Grad-CAM等技术，生成热力图覆盖在原始时频图上，可视化模型做出决策时“看”的是图像的哪个部分。这不仅能增加我们对模型的信任，还能辅助我们发现特征提取或数据标注的问题。

5.3 部署考量与优化

如果希望系统能实时处理来自传感器的数据流，就需要考虑部署：

轻量化模型：如果部署在边缘设备（如工控机、嵌入式板卡），需要考虑模型大小和推理速度。可以使用模型剪枝、量化（如PyTorch的torch.quantization）或使用MobileNet等轻量级架构。
API服务化：使用Flask或FastAPI将模型封装成RESTful API。前端（如Web界面、移动App）或数据采集程序通过HTTP请求发送振动数据片段，API返回诊断结果。这是最灵活的部署方式。
与SCADA/PLC系统集成：在工业现场，诊断结果可能需要接入现有的监控系统。可以通过OPC UA、MQTT等工业协议，将诊断结果（故障代码、置信度）发布到指定的服务器或主题，供上位机软件订阅和显示。

6. 避坑指南与常见问题排查

在实际开发中，你会遇到各种各样的问题。这里记录几个我踩过的“坑”和解决方法。

问题1：模型训练准确率始终在50%左右（相当于随机猜测）

可能原因A：数据标签错误或混乱。这是最致命也最常见的问题。请务必反复检查数据读取和标签分配的代码，确保每个样本的标签与其真实故障类型严格对应。特别是处理CWRU数据集时，不同文件、不同转速下的数据容易弄混。
可能原因B：数据预处理或时频图生成有误。打印并可视化几个生成的时频图，看看健康状态和故障状态的图是否有肉眼可见的差异。检查小波变换的参数（scales,wavelet）是否合适，生成的图像是否包含了有效的频率范围。
可能原因C：模型输入输出维度不匹配。检查输入数据的形状(batch_size, channels, height, width)是否与模型第一层卷积的in_channels一致。检查全连接层输入的特征维度是否计算正确。

问题2：模型在训练集上表现很好，但在验证集/测试集上很差（过拟合）

解决方案：
1. 增加数据多样性：使用数据增强，如对时频图进行轻微的随机水平翻转、裁剪、添加高斯噪声。注意，垂直翻转（频率轴）通常不适用，因为频率具有物理意义。
2. 加强正则化：增大Dropout比率（如从0.3调到0.5），增加权重衰减系数。
3. 简化模型：减少网络层数或卷积核数量。模型容量过大是过拟合的主因。
4. 使用早停（Early Stopping）：监控验证集损失，当其在连续多个epoch不再下降时，停止训练，并回滚到验证集性能最好的模型参数。

问题3：对变转速或变负载工况的泛化能力差

解决方案：
1. 使用阶次分析替代频率分析：在时频图生成前，对信号进行阶次跟踪分析，将随时间变化的转速因素剔除，将频谱中的“频率”转换为与转速倍数相关的“阶次”。这样，不同转速下的故障特征在阶次谱上会出现在相同位置。
2. 在数据集中包含多种工况：训练数据必须覆盖尽可能多的转速和负载组合。PU数据集的价值就在于此。
3. 采用域自适应（Domain Adaptation）技术：如果只有一种工况的带标签数据（源域），但想应用于另一种工况（目标域），可以使用如DANN（Domain Adversarial Neural Network）等迁移学习高级方法，让模型学习域不变的特征。

问题4：实时诊断系统延迟过高

优化方向：
1. 优化数据切片和推理批次：不要来一个点就处理一次。缓存一定长度的数据（如2秒），攒够一个批次（batch）再统一进行时频变换和模型推理，能充分利用GPU的并行计算能力。
2. 使用更高效的时频分析方法：CWT计算量较大。可以尝试STFT或小波包变换，并调整参数以平衡分辨率和计算速度。甚至可以考虑训练一个一维CNN直接处理时域信号片段，省去时频变换步骤，牺牲一些精度换取速度。
3. 模型量化与加速：如前所述，使用PyTorch的量化工具将FP32模型转换为INT8模型，推理速度可提升2-4倍，精度损失通常很小。

这个项目从数据到算法再到系统，链条很长，每一个环节都有细节需要注意。最关键的还是对振动信号本身和轴承故障机理的理解，这能帮助你在算法调优和问题排查时做出正确的判断。多看图（时频图、频谱图），多分析模型判断错误的样本，你会对“智能诊断”有更深刻的体会。

本文还有配套的精品资源，点击获取