基于双路神经网络的滚动轴承故障诊断探索

ifqhzJwse

335人浏览 · 2026-03-19 16:15:00

ifqhzJwse · 2026-03-19 16:15:00 发布

基于双路神经网络的滚动轴承故障诊断融合了原始振动信号和二维信号时频图像的多输入(多通道)故障诊断方法单路和双路都可时频图像算法可选小波变换，短时傅里叶变换，马尔可夫变迁场，格拉姆角场，S变换，递归图等数据集可选凯斯西储大学，东南大学，江南大学等等 Pytorch和Tensorflow框架做的。以下可视化结果适用小波和短时傅里叶变换，其它时频图像算法效果并没有这

在滚动轴承故障诊断领域，如何更精准、高效地识别故障一直是研究热点。今天咱就来聊聊基于双路神经网络，融合原始振动信号与二维信号时频图像的多输入故障诊断方法，并且用 Pytorch 和 Tensorflow 框架来实现。

一、数据准备

数据集咱可以选择凯斯西储大学、东南大学或者江南大学等公开的数据集。这些数据集里包含了不同工况下滚动轴承的振动数据，为我们的模型训练提供了丰富素材。

二、时频图像算法

时频图像算法有多种选择，像小波变换（Wavelet Transform）、短时傅里叶变换（Short - Time Fourier Transform, STFT）、马尔可夫变迁场、格拉姆角场、S 变换、递归图等等。不过可视化结果表明，小波变换和短时傅里叶变换效果相对较好。

1. 短时傅里叶变换代码示例（Python + Numpy）

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import stft

# 假设我们有一段振动信号数据
fs = 1000  # 采样频率
t = np.linspace(0, 1, fs, endpoint=False)
signal = np.sin(2 * np.pi * 50 * t) + np.sin(2 * np.pi * 120 * t)

f, t, Zxx = stft(signal, fs=fs, window='hann', nperseg=128, noverlap=120, nfft=256)
plt.pcolormesh(t, f, np.abs(Zxx), shading='gouraud')
plt.title('STFT Magnitude')
plt.ylabel('Frequency [Hz]')
plt.xlabel('Time [sec]')
plt.show()

代码分析

这段代码首先定义了采样频率 fs 和时间序列 t，生成了一个简单的混合正弦信号 signal。然后通过 scipy.signal 库中的 stft 函数进行短时傅里叶变换。window='hann' 指定了窗函数为汉宁窗，nperseg=128 表示每个段的长度，noverlap=120 表示段与段之间重叠的点数，nfft=256 表示傅里叶变换的点数。最后通过 plt.pcolormesh 将时频图绘制出来。

2. 小波变换代码示例（Python + PyWavelets）

import pywt
import numpy as np
import matplotlib.pyplot as plt

# 假设同样的振动信号
fs = 1000
t = np.linspace(0, 1, fs, endpoint=False)
signal = np.sin(2 * np.pi * 50 * t) + np.sin(2 * np.pi * 120 * t)

coeffs = pywt.wavedec(signal, 'db4', level=5)
approx = pywt.waverec(coeffs[:1], 'db4')
detail = pywt.waverec([None] + coeffs[1:], 'db4')

plt.figure(figsize=(12, 6))
plt.subplot(3, 1, 1)
plt.plot(t, signal)
plt.title('Original Signal')
plt.subplot(3, 1, 2)
plt.plot(t, approx)
plt.title('Approximation Coefficient')
plt.subplot(3, 1, 3)
plt.plot(t, detail)
plt.title('Detail Coefficient')
plt.tight_layout()
plt.show()

代码分析

这里使用 pywt 库进行小波变换。pywt.wavedec 函数对信号 signal 进行小波分解，'db4' 是选用的小波基函数，level=5 表示分解的层数。之后通过 pywt.waverec 函数分别重构出近似系数和细节系数，并绘图展示原始信号、近似系数和细节系数。

三、双路神经网络模型（以 Pytorch 为例）

import torch
import torch.nn as nn


class DualPathNet(nn.Module):
    def __init__(self):
        super(DualPathNet, self).__init__()
        # 原始振动信号路径的卷积层
        self.conv1_raw = nn.Conv1d(1, 16, kernel_size=5, padding=2)
        self.relu1_raw = nn.ReLU()
        self.pool1_raw = nn.MaxPool1d(kernel_size=2, stride=2)
        # 时频图像路径的卷积层
        self.conv1_img = nn.Conv2d(1, 16, kernel_size=5, padding=2)
        self.relu1_img = nn.ReLU()
        self.pool1_img = nn.MaxPool2d(kernel_size=2, stride=2)

        self.fc1 = nn.Linear(16 * 250 + 16 * 125 * 125, 128)
        self.relu_fc1 = nn.ReLU()
        self.fc2 = nn.Linear(128, num_classes)

    def forward(self, x_raw, x_img):
        out_raw = self.conv1_raw(x_raw)
        out_raw = self.relu1_raw(out_raw)
        out_raw = self.pool1_raw(out_raw)
        out_raw = out_raw.view(-1, 16 * 250)

        out_img = self.conv1_img(x_img)
        out_img = self.relu1_img(out_img)
        out_img = self.pool1_img(out_img)
        out_img = out_img.view(-1, 16 * 125 * 125)

        out = torch.cat((out_raw, out_img), 1)
        out = self.fc1(out)
        out = self.relu_fc1(out)
        out = self.fc2(out)
        return out

代码分析

这个 DualPathNet 类定义了双路神经网络。初始化函数 init 中分别定义了原始振动信号路径（一维卷积层）和时频图像路径（二维卷积层）的网络结构。在 forward 函数中，分别对输入的原始振动信号 xraw 和时频图像 ximg 进行卷积、激活、池化操作，然后将两者展平并拼接起来，经过全连接层 fc1 和 fc2 输出最终结果。