1. 项目背景与核心思路轴承作为旋转机械的核心部件其健康状态直接影响设备运行安全。传统振动信号分析方法存在特征提取依赖经验、诊断精度受限等问题。我们尝试将小波时频分析与SwinTransformer结合构建端到端的智能诊断模型。这种创新组合既保留了信号时频特性的物理可解释性又发挥了视觉Transformer在图像识别中的强大表征能力。在工业现场采集的振动信号通常包含丰富的故障信息但如何有效提取这些信息一直是难点。小波变换能同时在时域和频域对信号进行多尺度分析而时频图可视化了故障特征的演化过程。SwinTransformer作为新一代视觉骨干网络其层级式窗口注意力机制特别适合处理具有局部相关性的时频图像。2. 关键技术实现路径2.1 数据采集与预处理方案我们使用Case Western Reserve University轴承数据集包含正常状态和内圈、外圈、滚动体三种故障类型每种故障又有不同损伤直径0.007英寸到0.028英寸。采样频率12kHz每个样本包含1024个数据点。预处理步骤包括数据归一化对原始振动信号进行z-score标准化样本分割采用重叠采样策略重叠率50%增加样本量数据增强添加高斯白噪声SNR20dB和随机时移关键细节重叠采样能有效解决小样本问题但需注意测试集要使用独立不重叠样本以避免数据泄漏2.2 小波时频图生成技术选用复Morlet小波作为基函数其表达式为def morlet_wavelet(t, f01.0): return np.exp(2j*np.pi*f0*t) * np.exp(-t**2/2)时频图生成参数配置尺度范围对应频率20Hz-6000Hz尺度数128频率分辨率约46Hz采样间隔0.0001秒import pywt import numpy as np def generate_spectrogram(signal, scales128): coefficients, _ pywt.cwt(signal, np.arange(1,scales1), cmor1.5-1.0) return np.abs(coefficients)2.3 SwinTransformer模型架构基于Swin-Tiny变体进行改进from swin_transformer import SwinTransformer model SwinTransformer( img_size128, patch_size4, in_chans1, embed_dim96, depths[2, 2, 6, 2], num_heads[3, 6, 12, 24], window_size8, num_classes10 )关键改进点输入通道改为单通道原始为RGB三通道调整窗口大小适应时频图特征在MLP层后添加BatchNorm提升训练稳定性2.4 模型训练策略采用两阶段训练方法预训练阶段优化器AdamW (lr5e-4)损失函数Label Smoothing Cross Entropy数据增强随机水平翻转、颜色抖动训练轮次100微调阶段优化器SGD (lr1e-3, momentum0.9)损失函数Focal Loss (γ2.0)冻结前3个stage的参数训练轮次50实测发现Focal Loss对类别不平衡问题正常样本远多于故障样本的处理效果优于常规交叉熵3. 实验设计与结果分析3.1 对比实验设置为验证方法有效性设置三组对比模型传统方法SVM时域特征峰峰值、峭度等深度学习基准ResNet18时频图最新方法ViT时频图评估指标准确率Accuracy宏F1分数Macro-F1混淆矩阵分析3.2 性能对比结果模型准确率F1分数参数量(M)SVM时域特征83.2%0.801-ResNet1891.5%0.89211.2ViT93.1%0.90715.8本方法(SwinT)96.7%0.95312.4关键发现本方法在保持参数量适中的情况下达到最高精度对小损伤直径0.007英寸的识别率提升最明显8.2%3.3 特征可视化分析通过t-SNE降维可视化不同模型学到的特征分布SVM特征呈现明显的类别重叠ResNet18特征有较好聚类但边界模糊SwinTransformer特征呈现清晰的类间分离4. 工程实践中的关键问题4.1 实际部署挑战实时性要求单次推理耗时需50ms对应20Hz监测频率优化方案使用TensorRT加速将模型转为FP16精度环境干扰现场存在电磁干扰导致的信号噪声解决方案在时频图生成前添加自适应滤波4.2 模型轻量化改进通过以下手段减小模型体积知识蒸馏使用大模型指导小模型训练通道剪枝移除不重要的特征通道量化将FP32转为INT8精度优化后模型指标参数量3.2M减少74%准确率95.1%仅下降1.6%4.3 故障诊断系统集成典型工作流程graph TD A[振动传感器] -- B[信号采集卡] B -- C[预处理模块] C -- D[时频图生成] D -- E[SwinT模型推理] E -- F[结果可视化]5. 创新点与未来方向本项目的核心创新首次将SwinTransformer应用于时频图像分析提出适用于机械信号的小波尺度选择方法开发了面向工业场景的轻量化部署方案待改进方向跨设备泛化能力不同型号轴承间的迁移学习早期故障预警微弱特征的增强识别在线学习机制适应设备的老化过程在实际产线测试中该系统已实现98%以上的在线诊断准确率平均故障预警时间比传统方法提前3-5个运行周期。一个特别有价值的发现是时频图中的高频成分变化往往先于时域振动幅值的异常增长这为预测性维护提供了新思路。