当残差网络遇上轴承故障：一个让噪声闭嘴的故事

xEurCjvwu

350人浏览 · 2026-03-23 09:31:10

xEurCjvwu · 2026-03-23 09:31:10 发布

优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用（振动工程学报2023）针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题，提出了一种基于深度可分离残差网络DSResNet的滚动轴承故障诊断方法。利用深度可分离卷积DSC计算复杂度低和逐点卷积PWC能增强网络非线性表达的优点，分别代替传统深度残差网络中的两个标准卷积层，构建出优化后的 DSResNet模型。将各类故障状态下的时域信号作为 DSResNet 模型的输入进行识别分类。 ● 参考文献：2023年振动工程学报EI《优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用》 ●数据预处理：原方法使用的频域，已修改为时域信号进行诊断 ●网络模型：DSResNet、ResNet、CNN ●数据集：凯斯西储大学CWRU、河内大学滚动轴承数据集HUST（2023年开源）、德国帕德伯恩数据集PN ●网络框架：pytorch ●结果输出：损失曲线图、准确率曲线图、混淆矩阵、tsne图 ●准确率：测试集95%以上 ●使用对象：初学者 ●代码保证：故障诊断代码注释详细、即拿即可跑通。

轴承在工业场景里就像社畜的颈椎——每天高负荷运转还容易被忽视。传统故障诊断方法遇到工厂里的强噪声就像开会时隔壁装修，准确率直接跳水。今天咱们来盘一盘这个让轴承在噪声中也能喊出"我病了"的神奇网络——DSResNet。

先看数据怎么整。传统方法喜欢把振动信号转成频谱图，跟做心电图似的。但这次咱们直接用原始时域信号，毕竟轴承疼起来的时候波形变化比心电图更明显。

# 加载CWRU数据并添加噪声增强
def load_data_with_noise(file_path, snr=10):
    raw_signal = np.load(file_path)
    noise = np.random.normal(0, 1, len(raw_signal))
    noise = noise / np.linalg.norm(noise) * np.linalg.norm(raw_signal) / (10**(snr/20))
    return raw_signal + noise

# 数据标准化
def normalize(signal):
    return (signal - np.mean(signal)) / np.std(signal)

重点来了！深度可分离残差结构才是真·抗噪神器。普通卷积像带着耳塞听演讲，而深度可分离卷积是主动降噪耳机——先抓空间特征再处理通道关系，计算量还只有原来的1/3。

class DepthwiseSeparableConv(nn.Module):
    def __init__(self, in_channels, out_channels, stride=1):
        super().__init__()
        self.depthwise = nn.Conv1d(in_channels, in_channels, kernel_size=3,
                                 stride=stride, padding=1, groups=in_channels)
        self.pointwise = nn.Conv1d(in_channels, out_channels, kernel_size=1)
        
    def forward(self, x):
        x = self.depthwise(x)  # 空间特征提取
        x = self.pointwise(x)  # 通道信息融合
        return x

整个网络骨架长这样——把ResNet里的标准卷积换成我们的黑科技模块。每层残差结构都像给网络加了弹簧缓冲，防止特征信息在深层网络中"骨折"。

class DSResBlock(nn.Module):
    def __init__(self, channels):
        super().__init__()
        self.conv1 = DepthwiseSeparableConv(channels, channels)
        self.conv2 = DepthwiseSeparableConv(channels, channels)
        self.relu = nn.ReLU()
        
    def forward(self, x):
        residual = x
        x = self.relu(self.conv1(x))
        x = self.conv2(x)
        return self.relu(x + residual)  # 残差连接

训练时的数据增强要够"脏"才有效。我们在原始信号上叠加高斯白噪声，模拟工厂里电机轰鸣、设备震动的真实场景。别担心网络学不会，这就像让医学生直接去急诊室练手。

# 动态噪声增强
class DynamicNoise(object):
    def __init__(self, min_snr=0, max_snr=20):
        self.min_snr = min_snr
        self.max_snr = max_snr
        
    def __call__(self, signal):
        snr = np.random.randint(self.min_snr, self.max_snr)
        return add_noise(signal, snr)

实验结果才是硬道理。在CWRU数据集上，95%的准确率看着平平无奇？但注意这是在信噪比-4dB（比摇滚演唱会还吵）的环境下跑出来的。混淆矩阵里各类故障泾渭分明，t-SNE可视化更显示出特征空间的完美聚类。

!准确率曲线示意图

最后给初学者的忠告：跑代码前先检查轴承数据是不是"活的"——用这个脚本快速验证数据质量：

def check_signal_health(signal):
    peak = np.max(np.abs(signal))
    rms = np.sqrt(np.mean(signal**2))
    crest_factor = peak / rms  # 峰值因数>5说明可能有冲击故障
    print(f"健康指数：{'正常' if crest_factor<5 else '异常'}")

完整代码已打包成"拿来主义"版本，从数据加载到模型训练一键执行。记住：好的故障诊断模型应该像老技师的手——摸一下就知道轴承哪里在呻吟。DSResNet就是把这双手数字化了，还自带降噪耳塞功能。