CNN-SVM轴承故障诊断：特征提取与分类实战指南

简介这份资源面向工业设备健康监测方向的学习者与研究人员聚焦轴承故障诊断这一典型场景提供将传统机器学习与深度学习结合的完整实践素材。包内共3201个文件以3200张jpg灰度图像和1个py脚本为主压缩包约4.1MB图像文件可用于构建CNN的输入样本py脚本则承载模型训练与诊断流程的实现代码。资源围绕支持向量机与卷积神经网络两条技术路线展开涵盖数据预处理、模型构建、训练验证及结果对比等环节帮助读者理解SVM如何通过最优超平面区分正常与异常振动状态以及CNN如何借助卷积与池化层自动提取故障特征。目前已有1739人学习下载适合希望对比两类算法在轴承故障识别中表现、并动手复现诊断流程的读者参考。1. cnn-svm轴承故障诊断把特征交给 CNN把分类交给 SVM振动信号里藏着轴承的健康状态但直接把原始时序丢给分类器十有八九效果稀烂。cnn-svm轴承故障诊断这套组合拳的思路很直接用 CNN 卷积神经网络从振动信号里自动学出判别性特征再把特征向量喂给 SVM 支持向量机做分类。它解决的是传统方法里人工设计特征时域峭度、频域边带、包络谱峰值费时费力、换工况就失效的问题也绕开了纯 CNN 在小样本下容易过拟合的坑。适合谁手头有 CWRU、XJTU-SY 这类轴承数据集想快速搭一套能跑通、能解释、还能写进论文或设备巡检方案的从业者。下面按「信号怎么进网络 → 特征怎么接 SVM → 参数怎么调 → 坑在哪」一路讲透。2. 从振动信号到 CNN 输入先把数据管道搭对2.1 为什么不能把原始时序直接塞进 SVM轴承振动信号采样率常见 12kHz 或 48kHz一段 1 秒信号就是上万个点。SVM 的核函数计算复杂度随样本维度平方增长直接输入高维原始点训练慢且泛化差。更关键的是原始时序里的故障冲击成分被强噪声和工频干扰淹没SVM 找不到有效间隔。常见做法是先做分帧、归一化再用 CNN 做特征提取把每帧信号压缩成几十维的特征向量。这一步的本质是降维加去噪让 SVM 在低维空间里找超平面。我一般会按「分帧 → 归一化 → 构造二维样本」三步走。分帧长度取 1024 或 2048 点重叠率 50%这样既保留冲击的完整性又保证样本量够。归一化用 z-score 按帧做不要按整个数据集做否则工况差异会被抹掉。构造二维样本时把一维帧 reshape 成 32×32 或 64×64 的灰度图这是 CNN 最擅长的输入形态。2.2 用 Python 把 CWRU 数据切成 CNN 能吃的样本import numpy as np from scipy.io import loadmat from sklearn.preprocessing import StandardScaler def load_cwru(path, label): 加载 CWRU .mat 文件返回振动信号和标签 mat loadmat(path) # CWRU 里驱动端信号键名通常是 X105_DE_time key [k for k in mat.keys() if DE_time in k][0] signal mat[key].flatten() return signal, np.full(len(signal), label) def frame_signal(signal, frame_len1024, overlap0.5): 分帧返回二维数组 (n_frames, frame_len) step int(frame_len * (1 - overlap)) frames [] for start in range(0, len(signal) - frame_len, step): frames.append(signal[start:start frame_len]) return np.array(frames) def to_image(frames, size32): 把每帧 reshape 成 size×size 的二维图并做 z-score 归一化 n frames.shape[0] imgs frames.reshape(n, size, size) # 按样本做 z-score避免工况差异被全局归一化抹掉 scaler StandardScaler() imgs scaler.fit_transform(imgs.reshape(n, -1)).reshape(n, size, size) return imgs # 示例正常、内圈、外圈三类 sig_n, y_n load_cwru(Normal_0.mat, 0) sig_i, y_i load_cwru(IR007_0.mat, 1) sig_o, y_o load_cwru(OR007_0.mat, 2) X np.concatenate([ to_image(frame_signal(sig_n)), to_image(frame_signal(sig_i)), to_image(frame_signal(sig_o)) ]) y np.concatenate([y_n[:X.shape[0]//3], y_i[:X.shape[0]//3], y_o[:X.shape[0]//3]]) print(X.shape, y.shape) # (n, 32, 32), (n,)这段代码的逻辑说明load_cwru负责从 .mat 里提取驱动端振动信号键名带DE_time是 CWRU 的惯例frame_signal按 1024 点、50% 重叠切帧重叠是为了不让故障冲击刚好落在帧边界被切碎to_image把一维帧 reshape 成 32×32并逐样本做 z-score。参数上frame_len取 1024 是平衡频率分辨率和样本量采样率 12kHz 时对应约 85ms足够覆盖一个冲击周期size32是 CNN 的经典输入再大显存吃紧再小特征会糊。注意标签对齐时我用了切片截断实际项目里建议先算好每类帧数再拼接避免标签错位。2.3 训练集/验证集划分的坑按帧随机切会泄漏很多人直接train_test_split随机切帧结果验证准确率 99%上设备一测就崩。原因是同一段信号切出的相邻帧高度相似随机切会让训练集和验证集共享几乎相同的帧等于变相泄漏。正确做法是按「时间段」或「文件」划分前 70% 时间的帧做训练后 30% 做验证或者不同负载文件之间交叉验证。CWRU 有 0/1/2/3 hp 四种负载我一般用 0/1/2 hp 训练3 hp 测试这样得到的准确率才敢信。3. CNN 特征提取器怎么搭别堆层要控感受野3.1 一维卷积还是二维卷积轴承信号本质是一维时序但很多人把它转成二维图再用二维卷积。两种做法我都试过一维卷积参数量小、训练快适合样本量几千条以内二维卷积能借用 ImageNet 预训练权重但轴承图是灰度纹理预训练收益有限。我的血泪经验是样本少于 5000 条时优先一维卷积别为了「看起来像图像任务」硬转二维。下面给一维卷积的搭建方式二维版本把Conv1d换Conv2d、BatchNorm1d换BatchNorm2d即可。3.2 一个够用的 CNN 特征提取网络import torch import torch.nn as nn class CNNFeature(nn.Module): def __init__(self, in_len1024, feat_dim64): super().__init__() self.conv nn.Sequential( # 第一层大核抓冲击感受野要覆盖一个冲击周期 nn.Conv1d(1, 16, kernel_size31, stride2, padding15), nn.BatchNorm1d(16), nn.ReLU(), nn.MaxPool1d(2), # 第二层中核抓调制 nn.Conv1d(16, 32, kernel_size15, stride1, padding7), nn.BatchNorm1d(32), nn.ReLU(), nn.MaxPool1d(2), # 第三层小核抓细节 nn.Conv1d(32, 64, kernel_size7, stride1, padding3), nn.BatchNorm1d(64), nn.ReLU(), nn.AdaptiveAvgPool1d(1) # 全局平均池化输出 64 维 ) self.fc nn.Linear(64, feat_dim) def forward(self, x): # x: (batch, 1, 1024) h self.conv(x).squeeze(-1) # (batch, 64) return self.fc(h) # (batch, feat_dim)逻辑说明三层卷积的感受野分别是 31、15、7对应冲击周期、调制边带、高频细节三个尺度。第一层 stride2 是为了快速降采样减少后续计算量每层后接 BatchNorm 和 ReLU 是标配BatchNorm 在振动信号上尤其重要因为不同负载下幅值差异大。最后用AdaptiveAvgPool1d(1)把时间维压成 1输出 64 维特征再经全连接降到feat_dim。参数上feat_dim取 64 是经验值太小欠拟合太大 SVM 训练变慢kernel_size31对应 12kHz 下约 2.6ms刚好覆盖一个轴承冲击的衰减段。注意别加太多层三层足够再深在小样本上必过拟合。3.3 特征提取器怎么训练用分类头预训练再拆掉CNN 不能随机初始化就直接提特征那样提出来的是噪声。常见做法是在 CNN 后面接一个全连接分类头用交叉熵先训练到收敛然后把分类头拆掉用倒数第二层的输出作为 SVM 的输入特征。训练时学习率设 1e-3Adam 优化器batch size 64epoch 30 左右。如果验证准确率震荡把学习率降到 1e-4 再跑 10 个 epoch。训练完后把训练集和验证集的所有样本过一遍 CNN保存特征向量和标签供 SVM 使用。# 预训练 CNN 分类头 class CNNClassifier(nn.Module): def __init__(self, feat_dim64, n_class3): super().__init__() self.backbone CNNFeature(feat_dimfeat_dim) self.head nn.Linear(feat_dim, n_class) def forward(self, x): return self.head(self.backbone(x)) # 训练循环略关键保存 backbone 的输出作为特征 model CNNClassifier() # ... 训练 ... model.eval() with torch.no_grad(): feats_train model.backbone(torch.tensor(X_train, dtypetorch.float32).unsqueeze(1)).numpy() feats_val model.backbone(torch.tensor(X_val, dtypetorch.float32).unsqueeze(1)).numpy()注意unsqueeze(1)是把 (batch, 1024) 变成 (batch, 1, 1024)因为 Conv1d 要求通道维。特征提取时一定要model.eval()且torch.no_grad()否则 BatchNorm 会更新统计量特征不稳定。4. SVM 接在 CNN 后面核函数、参数与训练细节4.1 为什么用 SVM 而不是直接 softmaxCNN 分类头用 softmax 输出概率在样本充足时没问题但轴承故障样本往往每类只有几百条softmax 容易过拟合。SVM 在小样本高维特征上找最大间隔超平面泛化能力更强而且支持向量天然只由少数关键样本决定对噪声鲁棒。另一个好处是可解释性SVM 的支持向量可以回溯到原始信号看看哪些帧被选为关键样本这对故障诊断的机理分析有帮助。常见做法是 CNN 特征 RBF 核 SVM如果特征维度高且样本多线性核更快。4.2 SVM 训练与参数搜索from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV from sklearn.metrics import classification_report # feats_train, feats_val 来自上一步 param_grid { C: [0.1, 1, 10, 100], gamma: [scale, 0.01, 0.001, 0.0001], kernel: [rbf] } svm SVC(probabilityTrue) grid GridSearchCV(svm, param_grid, cv5, scoringaccuracy, n_jobs-1) grid.fit(feats_train, y_train) print(最佳参数:, grid.best_params_) y_pred grid.best_estimator_.predict(feats_val) print(classification_report(y_val, y_pred))逻辑说明C控制惩罚力度越大越容易过拟合越小越容易欠拟合gamma控制 RBF 核的作用范围越大越容易过拟合。GridSearchCV用 5 折交叉验证在训练特征上搜参注意这里的 cv 是在特征层面做的不是原始信号层面所以不会泄漏。参数搜索范围我一般从C0.1~100、gamma1e-4~scale扫一遍先粗扫再细扫。如果最佳C落在边界把范围往外扩再搜一次。probabilityTrue会启用概率输出但训练会慢一些如果只要类别标签可以关掉。4.3 特征维度与 SVM 核函数的匹配CNN 输出的feat_dim如果是 64样本量 3000特征维度远小于样本量RBF 核合适。如果feat_dim加到 256 而样本只有 500RBF 核会过拟合这时改用线性核或先做 PCA 降维。我一般会画一张「特征维度 vs 验证准确率」的曲线找到拐点再定feat_dim。另外SVM 对特征尺度敏感CNN 输出的特征最好再做一次标准化用StandardScaler在训练特征上 fit再 transform 验证特征。5. 避坑与排查cnn-svm 轴承故障诊断的 5 个翻车现场5.1 验证准确率虚高上设备就崩现象验证集准确率 99%换一台电机或换负载后掉到 60%。原因按帧随机划分导致数据泄漏或者训练集和验证集来自同一段信号。解决按时间段或文件划分用不同负载做交叉验证确保验证集和训练集在时间上不重叠。我一般会留一个完全没见过的负载做最终测试这个数字才写进报告。5.2 CNN 特征全是零或方差极小现象SVM 训练报错或准确率等于随机猜。原因CNN 预训练时学习率太大导致 ReLU 全部死亡或者 BatchNorm 在 batch size 太小时统计量不稳。解决把学习率降到 1e-4batch size 至少 32检查每层输出的均值和方差。如果某层输出全零说明该层卷积核死了重新初始化或换激活函数。5.3 SVM 训练时间过长现象GridSearchCV 跑几个小时不出结果。原因特征维度太高或样本量太大RBF 核计算复杂度高。解决先做 PCA 把特征降到 32 维以内或者改用线性核n_jobs-1开满 CPU把C和gamma的搜索范围先粗扫一遍别一上来就细扫。5.4 类别不平衡导致少数类全错现象正常样本多、故障样本少SVM 把所有样本判成正常。原因SVM 的惩罚项对多数类倾斜。解决SVC(class_weightbalanced)自动按类别频率加权或者对少数类过采样。注意过采样要在特征层面做别在原始信号层面复制否则又泄漏。5.5 特征提取和 SVM 训练用了不同的标准化现象训练时准确率正常推理时结果乱跳。原因CNN 特征提取时用了StandardScaler但 SVM 训练时又 fit 了一次两次 scaler 参数不一致。解决把 scaler 和 SVM 一起保存推理时用同一个 scaler。我一般用sklearn.pipeline.make_pipeline把 scaler 和 SVM 串起来避免手动管理。6. 进阶技巧用 t-SNE 验证特征质量再决定要不要加层CNN 提完特征别急着上 SVM先画一张 t-SNE 图看看特征在低维空间里分不分得开。如果三类样本在 t-SNE 上混在一起说明 CNN 没学好加 SVM 也白搭如果分得开但边界模糊SVM 的 RBF 核能救如果分得很开线性核就够。这个习惯帮我省了很多调参时间。from sklearn.manifold import TSNE import matplotlib.pyplot as plt tsne TSNE(n_components2, perplexity30, random_state42) feats_2d tsne.fit_transform(feats_train) plt.figure(figsize(8, 6)) for label, color in zip([0, 1, 2], [blue, red, green]): idx y_train label plt.scatter(feats_2d[idx, 0], feats_2d[idx, 1], ccolor, labelfclass {label}, alpha0.6) plt.legend() plt.title(CNN features t-SNE) plt.show()perplexity取 30 是常用值样本少时降到 10。如果 t-SNE 图上同类样本聚成一团、异类分开说明特征质量合格。如果同类样本散成几团可能是工况差异没被 CNN 学掉考虑在训练时做工况对抗或加更多负载数据。另一个技巧是「特征拼接」把 CNN 的 64 维特征和传统时域特征峭度、均方根、峰值因子拼在一起再送 SVM。传统特征对冲击敏感CNN 特征对调制敏感两者互补。我试过在 CWRU 上拼接后准确率提升 2~3 个百分点代价是特征维度翻倍SVM 训练稍慢。拼接前记得把传统特征也标准化。最后说个习惯每次实验都固定随机种子把 CNN 权重、SVM 参数、scaler 一起存下来。轴承故障诊断这行复现性比什么都重要不然过两周自己都忘了当时怎么跑出那个数的。希望帮到你。本文还有配套的精品资源点击获取