简介面向轴承故障诊断研究与课程设计的Python源码包基于CNN-LSTM混合模型实现滚动轴承9类故障识别覆盖外圈、内圈、滚珠故障与三种直径组合适用于机械故障诊断课程设计、毕业设计及深度学习方法入门实践。压缩包共25个文件约53.21MB包含9个csv振动数据文件、4个py源码文件、两个训练好的pth权重、mat原始数据及m数据转换脚本另有ipynb演示笔记本、md项目说明、xlsx结果统计表和5张png原理/数据/重叠采样示意图代码附详细注释。已有122人学习。资源提供从数据读取、重叠采样、CNN-LSTM建模、训练到测试评估的完整工程流程可直接加载pth权重复现9类故障诊断结果也可参考注释调整网络结构或改进采样策略配套README与图表有助于快速理解整体方法适合需要完整参考实现的初学者。1. 轴承故障诊断项目为什么从 CNN-LSTM 开始设备振动数据攒了一大堆却总在波形图上找不到故障特征这是很多做设备健康管理的人遇到的第一道坎。基于 CNN-LSTM 的轴承故障诊断核心思路是把原始振动信号按窗口切成一段段交给一维卷积提取局部冲击特征再用 LSTM 学习这些冲击在时间轴上的演变规律最后输出正常 / 内圈故障 / 外圈故障 / 滚动体故障这样的类别。这个压缩包真正值钱的地方不在某个准确率数字而在于它把数据怎么切、标签怎么对、模型怎么训、现场怎么用这条链路完整串了起来附带训练好的模型和项目说明省掉了从头搭框架的时间。适合有 python 入门基础、想把预测性维护落到现场的工程师也适合拿公开数据集做设备故障诊断课设的学生。我的建议是先别急着追求指标先顺着源码把流程跑通再回来抠每一层参数。因为这类项目最大的坑不是模型而是数据切分和预处理埋下的雷训练集上跑到 99% 不代表现场能用。2. 认识 CNN-LSTM 混合模型CNN 提局部冲击LSTM 抓演变规律2.1 轴承故障信号里CNN 和 LSTM 各负责什么轴承振动信号不是平稳噪声而是典型的调制信号滚动体滚过缺陷点时产生一个冲击冲击激起轴承座和传感器的高频共振所以你能在时域波形上看到一系列间隔不等的衰减振荡。内圈故障的冲击间隔和外圈故障不一样滚动体故障还会受到转频调制这些差异藏在冲击的幅度、间隔和演化过程里。传统诊断靠峭度、均方根、包络谱这些手工特征换一台设备、换一个转速特征分布就变阈值又得重新标定。CNN-LSTM 的思路是典型的基于数据驱动一维卷积核可以看作一组可学习的波形模板第一层卷积会去匹配冲击 衰减振荡这类局部形态LSTM 接着在时间维度上对卷积输出建模学习的不是单个冲击长什么样而是冲击与冲击之间先后出现的节奏。两部分拼起来相当于把提特征和抓时序依赖这两件事同时交给模型而不是靠人手工设计特征。中间层并不是黑匣子。你可以训练完后把第一个卷积层的 16 个卷积核画出来会看到一部分核的波形明显像单个冲击衰减振荡另一部分核在抑制周期性噪声。这说明 CNN 确实抓到了物理上有意义的形态LSTM 则负责记住上一段冲击的相位推断下一个冲击什么时候来。这种可解释性是后面调参和排错的底气。2.2 模型结构拆解每一层的输入输出与参数选择一个兼顾效果和训练成本的 CNN-LSTM 结构常见做法是把窗口信号先做两次一维卷积降维再把卷积特征序列送入两层 LSTM最后接全连接分类。下面是我一般会采用的默认结构参数可直接复现。层输出形状作用输入 (B, 1, 1024)原始振动窗口归一化后的时域信号Conv1d(1, 16, k64, s8, p30)(B, 16, 128)提取局部冲击模板BatchNorm1d ReLU MaxPool1d(2)(B, 16, 64)降维并抑制过拟合Conv1d(16, 32, k16, s4, p8)(B, 32, 17)更高层冲击特征BatchNorm1d ReLU(B, 32, 17)保留 17 个时间步给 LSTM转置为序列 (B, 17, 32)时间步维度卷积特征变成 LSTM 的输入序列LSTM(32, 64, num_layers2)(B, 17, 64)建模冲击演化规律取最后时间步(B, 64)聚合整段序列信息Linear(64, 32) ReLU Dropout(0.3)(B, 32)分类前的特征变换Linear(32, num_classes)(B, 4)输出各类 logits卷积层的输出长度可以直接算第一层floor((1024 2*30 - 64) / 8) 1 128池化后 64第二层floor((64 2*8 - 16) / 4) 1 17不再池化。所以送入 LSTM 的是 17 个时间步、每步 32 维的特征序列。调试模型时如果拿不准 shape在 forward 里临时加一句print(x.shape)验证即可别靠猜。窗口长度 1024 不是随便定的。以公开数据集常用的 12kHz 采样率计算1024 点约 0.085 秒能覆盖一到两个转频周期包含数次冲击窗口太短抓不到完整的冲击序列太长则计算量大、且训练样本量会变少。LSTM 取最后时间步而不是做平均池化是因为最后一步经过两层循环计算后聚合了整个序列的信息对最后一个冲击之后该出什么结论更敏感平均池化反而会把最近一次冲击的幅值信息稀释掉。2.3 为什么不直接上 Transformer 或 TCN小样本任务的选择逻辑不少人在搜 transformer 模型详解之后会问直接用 Transformer 做时序分类行不行行但在轴承故障这个任务上不划算。公开数据集的样本量通常在几千到几万个窗口Transformer 的自注意力需要足够多的数据才能学到有意义的注意力模式位置编码对振动信号这种高重复度波形帮助有限训练时间却明显变长显卡门槛也更高。数据量没有到十万级Transformer 的优势发挥不出来。TCN 模型结构也是可行的替代但空洞卷积的感受野需要靠 dilation 逐层堆出来核大小、层数和膨胀系数的组合非常敏感调参更像玄学参数稍微一变测试结果就波动。相比之下 CNN-LSTM 有两个实打实的先验优势卷积核天然匹配局部冲击形态LSTM 天然匹配冲击间隔的时序依赖。这也意味着同样的数据量下CNN-LSTM 收敛更快对新手更友好。还有一个常见的误用把 LSTM 放在 CNN 前面先做时序建模再做卷积。原始 1024 点直接送进 LSTMhidden state 会被高频噪声占满后面的 CNN 只能在被压缩过的信息上提特征结果通常比反过来差不少。CNN 在前、LSTM 在后是这类任务验证过的稳定结构先按这个跑通再谈改造。3. 数据准备从原始振动信号到训练样本四步定生死3.1 数据集选型与划分先按工况切分再谈准确率轴承故障诊断里最常见的公开数据集是凯斯西储大学CWRU轴承数据中心的数据采集了正常、内圈故障、外圈故障、滚动体故障四种状态每种故障还有 0.007、0.014、0.021 英寸三档损伤直径以及 0 到 3 HP 的负载工况。很多课程设计和落地项目都从它起步。mat 文件里通常有DE_time驱动端振动和FE_time风扇端振动一般只用驱动端信号就够。读取 mat 文件的常见写法import scipy.io as sio import numpy as np def load_cwru_mat(path): mat sio.loadmat(path) # DE_time 是驱动端加速度信号12kHz 或 48kHz 采样 key [k for k in mat.keys() if DE_time in k][0] return mat[key].flatten().astype(np.float32) def split_by_signal(signal, train_ratio0.7): # 按信号段切分而不是按滑窗样本随机切分 split int(len(signal) * train_ratio) return signal[:split], signal[split:]这段代码有两个必须注意的点。第一train_ratio按信号段长度切分而不是按滑窗后的样本切分这是防止数据泄漏的第一道闸门。第二load_cwru_mat里按字段名DE_time动态取 key避免不同 mat 版本里键名带前缀不一致的问题。训练集和测试集怎么划决定了项目说明里的准确率是不是可信。随机把所有窗口打散再划分会让来自同一段原始信号的相邻窗口同时出现在训练集和测试集里模型相当于提前背过答案测试准确率虚高到 98% 以上到了现场换一批新数据立刻露馅。我一般会按负载划分用 0HP 的数据训练分别用 1HP、2HP 的数据测试这样测出来的才是模型跨工况的泛化能力。3.2 滑动窗口切分窗口长度、步长与重叠率怎么配合原始信号是一长串连续采样点不能直接整段喂给模型需要切成长度固定的窗口。这里用的是滑动窗口切分注意和滑动窗口滤波模型区分开我们只做切分不做平滑滤波。核心参数是窗口大小和步长切分函数长这样def make_samples(signal, label, window_size1024, step512): samples, labels [], [] for i in range(0, len(signal) - window_size, step): samples.append(signal[i:i window_size]) labels.append(label) return np.stack(samples), np.array(labels)样本数量可以直接估算n int((len(signal) - window_size) / step) 1。举个例子一段 10 秒的 12kHz 信号共 12 万点window_size 1024、step 512 时大约能切出 233 个窗口如果把 step 改成 128样本量直接翻四倍。step 决定重叠率overlap 1 - step / window_size。step512 对应 50% 重叠是训练集常见默认值重叠率越高样本越多但相邻窗口高度相似模型很容易学到这两段几乎一样的捷径而不是真正的故障特征。我把 step 的取值原则总结为训练阶段重叠率控制在 0 到 0.5测试和现场推理用 stepwindow_size完全不重叠或只取最新窗口让评估结果贴近真实使用方式。切完窗口后还要做一件事把窗口对应的信号起点位置记录下来。这能帮你回答模型为什么会在相邻窗口输出完全不同的类别这类问题也能在检查数据泄漏时确认训练集和测试集的窗口有没有重叠。3.3 归一化与数据增强窗口级处理的两个补救手段振动信号的幅值受传感器灵敏度、安装位置影响很大同一台设备不同测点的幅值能差好几倍所以归一化是必须的。常见做法是对每个窗口单独做 z-score 归一化而不是用全量数据的均值方差def normalize_window(x, eps1e-6): # 按窗口单独归一化避免全局统计量泄漏 x (x - x.mean()) / (x.std() eps) return x.astype(np.float32)这里的eps是防止信号完全平坦时除零。为什么必须按窗口归一化如果先对整段信号计算全局均值和方差再切窗测试集和训练集的统计量就共享了这是另一种隐蔽的数据泄漏。现场部署时新采集的一段信号也按它自身的均值方差归一化和训练时的处理方式保持一致。样本量不足或者类别不平衡时可以加一点数据增强。注意增强要在归一化之后做或者增强完再归一化总之保证训练和预测的输入分布一致。两个低成本增强手段def add_noise(x, sigma0.02): # 叠加高斯白噪声模拟现场电磁干扰 return x np.random.normal(0, sigma, sizex.shape) def random_scale(x, low0.9, high1.1): # 随机缩放幅值模拟传感器灵敏度波动 return x * np.random.uniform(low, high)sigma0.02是相对归一化后幅值标准差约为 1而言的噪声加太大会把冲击淹没random_scale的缩放范围 0.9 到 1.1 也算克制。增强时标签不变因为故障类别不因幅值缩放和轻微噪声改变。但别盲目堆增强在一个本身特征很明显的数据集上过度增强会让模型学到对噪声的容忍反而降低在干净测试集上的区分度。4. 源码结构梳理与训练实现读懂每个文件再改参数4.1 压缩包内文件结构与训练前环境准备搜免费 python 源码大全找参考时你会发现很多轴承诊断项目只有训练脚本没有数据和训练好的模型能一次跑通的没几个。这个压缩包既有源码又有权重和项目说明结构上通常会按职责拆成下面几类文件先花十分钟把每个文件对应到哪个环节摸清楚再动手跑不然改错文件会浪费大量时间。常见文件职责data_utils.py数据读取、滑动窗口切分、归一化、标签制作model.pyCNN-LSTM 网络结构定义train.py训练主循环、学习率调度、模型保存predict.py加载模型做单文件或实时推理requirements.txtpython 依赖清单项目说明 / README数据集来源、类别定义、参数说明、目录解释best_model.pth 或 *.pt训练好的权重文件环境准备按 python 安装教程配好 3.8 到 3.10 的版本后直接用虚拟环境安装依赖。网络不好时换国内镜像源python -m venv .venv source .venv/bin/activate # Windows 用 .venv\Scripts\activate pip install --upgrade pip pip install torch numpy scipy scikit-learn matplotlib \ -i https://pypi.tuna.tsinghua.edu.cn/simple注意 PyTorch 的安装版本要和本机 CUDA 匹配没有独立显卡就装 CPU 版别硬上 CUDA 版装了不匹配版本会出现torch.cuda.is_available()返回 False 的诡异问题。我的经验是先跑一个最小验证脚本确认 torch 能正常做张量运算再继续避免把时间耗在环境排查上。4.2 模型定义代码每一层的含义与调参方向模型定义是整个源码的核心先把它读懂再改参数。下面是用 PyTorch 实现的 CNN-LSTM和前面章节的结构表一一对应import torch import torch.nn as nn class CnnLstm(nn.Module): def __init__(self, num_classes4, hidden64): super().__init__() # 一维卷积部分提局部冲击特征逐步降维 self.cnn nn.Sequential( nn.Conv1d(1, 16, kernel_size64, stride8, padding30), nn.BatchNorm1d(16), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(16, 32, kernel_size16, stride4, padding8), nn.BatchNorm1d(32), nn.ReLU(), # 不再池化保留 17 个时间步给 LSTM ) # LSTM对卷积特征序列建时序模型 self.lstm nn.LSTM( input_size32, hidden_sizehidden, num_layers2, batch_firstTrue, # 输入形状为 (batch, seq_len, features) ) # 分类头先把 LSTM 输出降到 32 维再映射到类别数 self.classifier nn.Sequential( nn.Linear(hidden, 32), nn.ReLU(), nn.Dropout(0.3), nn.Linear(32, num_classes), ) def forward(self, x): # x 形状: (batch, 1, window_size) c self.cnn(x) # (batch, 32, 17) c c.permute(0, 2, 1) # (batch, 17, 32)转成序列 out, _ self.lstm(c) # (batch, 17, hidden) last out[:, -1, :] # 取最后一个时间步 return self.classifier(last)batch_firstTrue是一开始就要立好的规矩它让输入输出形状都按(batch, seq_len, features)组织少犯维度顺序的错。第一个卷积核设成 64是因为轴承冲击在 12kHz 采样下有几十个点的宽度用大步长 8 先粗扫一遍计算量可控第二层卷积核 16重点看冲击内部的细结构。padding30和padding8是配合 stride 算出来的保证卷积输出长度不出现负数你可以用torch.nn.functional.pad替代但直接用 padding 参数最省事。LSTM 输出取最后时间步前文已经解释过原因。Dropout 放在分类头的全连接之间而不是放在 LSTM 内部或卷积层之后因为 LSTM 本身对输入噪声有一定容忍度Dropout 加在它前面反而会让时序建模不稳定。hidden64、num_layers2是性价比最高的组合单层的表达力不够三层在小数据集上容易过拟合且训练慢。4.3 训练主循环与模型保存loss 选择、学习率、断点续训分类任务的标准 loss 是交叉熵类别不平衡时再给每个类配权重。训练主循环的骨架要写得干净方便改参数和接断点import torch import torch.nn as nn criterion nn.CrossEntropyLoss() optimizer torch.optim.Adam(model.parameters(), lr1e-3) scheduler torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, modemin, factor0.5, patience5, verboseTrue ) def train_one_epoch(model, loader, optimizer, criterion, devicecpu): model.train() total_loss, correct, total 0.0, 0, 0 for xb, yb in loader: xb, yb xb.to(device), yb.to(device) optimizer.zero_grad() logits model(xb) loss criterion(logits, yb) loss.backward() # LSTM 必备梯度裁剪防止梯度爆炸 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() total_loss loss.item() * len(yb) correct (logits.argmax(1) yb).sum().item() total len(yb) return total_loss / total, correct / totallr1e-3是 Adam 的常见初始值ReduceLROnPlateau在验证 loss 连续 5 个 epoch 不降时把学习率减半比固定衰减更省心梯度裁剪的max_norm1.0是针对 LSTM 梯度的保险丝没有它后期随时可能炸。batch size 默认 64epoch 设 60 左右早停条件看验证集准确率连续 10 个 epoch 不涨就停。模型保存不要只存权重要把标签映射和配置一起存进同一个文件这是现场能复现的前提label_map {0: normal, 1: inner_race, 2: outer_race, 3: ball} ckpt { state_dict: model.state_dict(), label_map: label_map, config: {window_size: 1024, num_classes: 4, hidden: 64}, } torch.save(ckpt, best_model.pth)加载时用map_locationcpu保证没显卡的环境也能加载ckpt torch.load(best_model.pth, map_locationcpu) model.load_state_dict(ckpt[state_dict])只存state_dict而不是torch.save(model, ...)是为了避免 PyTorch 版本升级后类定义序列化失效的问题。项目说明里如果标了训练好的模型你应该能找到对应的label_map和config缺失的话现场推理基本会翻车。训练完成后还要做一件事按工况分组算测试准确率、画混淆矩阵不要只看一个总的准确率数字就认为模型能交付。5. 轴承故障诊断避坑训练集 99% 到现场就翻车的五个常见问题5.1 测试集准确率虚高随机划分造成的数据泄漏现象训练集和测试集准确率都超过 98%模型一拿到现场新采集的数据准确率跌到六成多完全没法用。原因滑动窗口切出来的相邻样本高度相似如果按样本维度随机打乱再划分训练测试集来自同一段原始信号的窗口会被拆到两边。模型在训练时已经见过测试窗口的内容离线指标只是数据泄漏的假象。解决回到第 3 章的split_by_signal按信号段、按负载、按时间先后划分而不是按样本随机切分。检查时统计训练集窗口的信号起点如果与测试集窗口起点之间的差值小于步长说明两边存在重叠窗口切分必须重做。我习惯把划分方式写死在项目说明里避免后续人接手时图省事改成随机划分。提示用 t-SNE 把训练集和测试集的样本特征画在一起如果两类点完全交织、看不出边界高概率存在泄漏先修数据再调模型。5.2 loss 中途变 NaN梯度爆炸与输入脏数据现象训练前十几个 epoch 一切正常loss 稳步下降突然某一步 loss 变成 NaN之后所有轮次全是 NaN模型彻底报废。原因两个来源。一是 LSTM 反向传播路径长梯度容易爆炸二是输入数据里混入了 NaN 或绝对数值极大的异常点比如传感器掉线瞬间的满量程尖峰。解决训练前对每个窗口做一次数值检查训练循环里加梯度裁剪。数值检查这行代码放进data_utils.py的make_samples返回前assert np.isfinite(signal).all(), 输入信号包含 NaN 或无穷值梯度裁剪放在loss.backward()和optimizer.step()之间上文训练循环里已经写了。如果裁剪后仍然 NaN把 Adam 初始学习率从 1e-3 降到 1e-4或检查是不是归一化时某段信号标准差为 0 导致除零std()加eps1e-6能挡住大部分这类问题。5.3 预测结果集中在某一类样本不平衡与偷懒模型现象模型对所有测试样本都输出同一个类别比如全都判为正常但整体准确率看起来还有八十几因为正常样本本身就占了大头。原因类别样本量差距大时交叉熵优化会倾向于把不确定样本划到多数类因为这样总 loss 下降最快。模型找到了最省力的错误解并没有真正学习少数类故障的波形。解决先算每类样本数再给交叉熵配权重权重取该类样本数的倒数再归一化让少数类的 loss 贡献被放大counts np.bincount(all_labels, minlengthnum_classes) total len(all_labels) weights [total / (num_classes * c) for c in counts] criterion nn.CrossEntropyLoss(weighttorch.tensor(weights, dtypetorch.float32))代码要在DataLoader构建之前执行因为需要全局类别分布。另外一个务实的做法是对外圈故障等少数类先做 3.3 节的加噪和缩放增强把样本补到和多数类同一量级再决定要不要上加权。先增强后加权往往比单独加权更扎实。5.4 加载训练好的模型后输出乱套类顺序与预处理不一致现象离线验证时 loss 很低但用predict.py加载训练好的模型去预测新数据输出类别全是错的或者直接报维度不匹配的异常。原因三个不一致叠加在一起。保存时的类别编号和预测脚本里读的类别映射不一致预测时用的输入长度不是 1024预测时没做和训练时相同的窗口归一化幅值直接差了一个量级。解决训练和预测共用同一个预处理函数模型文件和映射一起保存前文torch.save那一段已经示范。加载模型后先打印一次label_map和config确认窗口长度、类别名和项目说明一致再跑正式数据。我踩过最典型的坑是训练时把故障类标成 0、正常类标成 3预测脚本却反过来结果准确率不如随机。把映射写进权重文件并在加载时打出来这类问题一眼就能发现。5.5 GPU 显存不够或 CPU 慢低显存运行模型的调参顺序现象16GB 显存的显卡跑 batch_size256 直接 OOM没有显卡的机器跑单次推理要好几秒完全达不到现场滚动诊断的要求。原因窗口 1024 点本身不算长但 LSTM 的两层循环展开会让中间激活值占大量显存batch 设太大更是直接把显存顶满。CPU 推理慢则是因为没有关闭梯度计算和模型训练模式。解决低显存运行模型的调整有优先级先降 batch_size 到 32再把 LSTMhidden从 64 降到 32最后把num_layers从 2 降到 1。窗口长度不要动它一动之前训练的模型输入维度就废了。推理阶段务必加上model.eval() with torch.no_grad(): logits model(x_tensor) # 不建计算图省显存和内存显存仍然紧张时对输入做tensor.half()用半精度推理能再省将近一半显存输出结果再转回 float32 做 softmax。对现场环境一块 CPU 跑单个 1024 点窗口在百毫秒量级是正常的如果慢到秒级优先查是不是忘了关model.train()状态。6. 用训练好的模型做在线诊断滚动窗口推理与置信度阈值6.1 滚动窗口推理脚本每次只取最新一段信号离线评估做完模型要真正用起来得写一个滚动推理脚本。现场采集设备不断往一个缓冲区里追加数据每次预测只取最后 1024 点而不是把历史数据全部重新切一遍import numpy as np import torch def rolling_predict(signal_buffer, model, window_size1024): x signal_buffer[-window_size:].astype(np.float32) x (x - x.mean()) / (x.std() 1e-6) # 与训练时相同的窗口归一化 x torch.from_numpy(x).view(1, 1, -1) model.eval() with torch.no_grad(): logits model(x) prob torch.softmax(logits, dim-1).squeeze(0).numpy() return prob单窗口预测的抖动通常很大前一秒输出正常、下一秒就报故障直接拿来告警会把人折腾疯。我一般会对 softmax 输出做指数平滑ema 0.7 * ema 0.3 * prob # ema 初始为全零数组0.7是平滑系数数值越大输出越平稳代价是对真正的故障变化反应变慢现场诊断里宁可慢一拍告警也不要频繁误报把维护人员的注意力耗尽。6.2 跨负载迁移验证与置信度阈值训练好的模型到底能不能用我的验证标准是跨负载测试在 CWRU 上用一个负载训练另一个负载测试准确率通常会比同负载测试掉 10 到 20 个百分点。如果掉得更多说明模型过拟合到了特定转速的冲击间隔需要把更多工况的数据混进训练集或者对信号做转速归一化后再训练。训练工况实测工况预期表现0HP0HP准确率最高接近训练集水平0HP1HP准确率下降 5 到 15 个点0HP2HP准确率下降 10 到 20 个点除了迁移测试现场部署还要给模型加一道置信度门槛softmax 最大概率低于阈值时不输出具体故障类别而是报告状态未知。阈值可以先用验证集画出错误接受率 - 阈值曲线选错误接受率低于 1% 对应的值常见在 0.6 到 0.8 之间。宁可漏报一次故障也不要给维护人员发一堆虚假告警这是我在现场用下来的体感。我之前吃过最大的亏就是跳过了按工况划训练测试集这一步拿着虚高的指标直接上线结果现场头三天误报率高到没人理系统告警。后来把所有现场采集样本按时间重新切分、加上 EMA 平滑和置信度阈值才算真正把模型用起来。这个方向值不值得做不取决于模型指标多好看而取决于数据划分和后处理有没有按现场逻辑来。希望帮到你。本文还有配套的精品资源点击获取