1. 项目背景与核心价值

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依赖人工特征提取，存在效率低、泛化性差的问题。我们团队基于PyTorch框架，创新性地将小波时频分析与Swin Transformer结合，实现了端到端的轴承故障智能诊断。这套方案在工业实测数据上达到98.7%的准确率，比传统方法提升15%以上。

关键突破：小波变换克服了STFT的固定分辨率缺陷，Swin Transformer的窗口注意力机制有效捕捉时频图中的局部故障特征。

2. 技术方案设计

2.1 整体架构

数据流依次经过：

1. 振动信号采集（采样率12.8kHz）
2. 连续小波变换（CWT）生成时频图
3. Swin Transformer特征提取
4. 全连接分类器

# 模型核心结构示例 class SwinCWT(nn.Module): def __init__(self): super().__init__() self.cwt = ContinuousWaveletTransform() # 自定义小波层 self.swin = swin_tiny_patch4_window7_224() self.classifier = nn.Linear(768, 10) # 10类故障

2.2 小波变换实现

选用Morlet小波基函数，其时频聚焦特性最适合冲击特征提取：

\psi(t) = \pi^{-1/4}e^{i\omega_0t}e^{-t^2/2}

参数设置经验：

• 尺度范围：1-128（对应频率100-6400Hz）
• 每倍频程数：16
• 使用PyWavelets库加速计算

2.3 Swin Transformer优化

针对时频图特点改进：

1. 输入尺寸调整为256×256
2. 窗口大小设为8×8
3. 在patch embedding层前加入1×1卷积降噪
4. 最后一阶段特征图全局平均池化

3. 关键实现细节

3.1 数据增强策略

时频图特有的增强方法：

• 随机时移（模拟相位变化）
• 幅值扰动（±10%）
• 频带掩码（随机遮挡5%区域）
• 添加高斯噪声（SNR≥30dB）

class TFAugment: def __call__(self, img): if random.random() > 0.5: img = time_warp(img) # 弹性时域变形 return img

3.2 训练技巧

• 混合精度训练（AMP）加速30%
• 初始学习率3e-4，cosine衰减
• 标签平滑（smoothing=0.1）
• 早停机制（patience=15）

实测发现：AdamW优化器比SGD更适合时频图任务，收敛速度提升2倍

4. 工业部署方案

4.1 边缘计算优化

• 将CWT转换为ONNX格式（延迟从50ms降至12ms）
• 量化Swin Transformer到INT8（模型大小缩减4倍）
• 使用TensorRT加速推理

4.2 故障可视化

开发grad-cam++热力图，定位时频图中的故障敏感区域：

def generate_cam(model, input_tensor): feature_maps = model.get_activations(input_tensor) grads = model.get_gradients() cam = np.dot(feature_maps, grads) return cv2.applyColorMap(cam, cv2.COLORMAP_JET)

5. 性能对比

6. 典型问题排查

6.1 时频图模糊

现象：CWT结果出现频率混叠 解决方法：

• 检查采样率是否满足Nyquist定理
• 调整小波带宽参数
• 增加振动信号预处理（去趋势、降噪）

6.2 过拟合问题

当训练准确率＞测试准确率10%时：

1. 增加时频图增强强度
2. 在Swin的MLP层添加dropout（p=0.3）
3. 采用k-fold交叉验证

7. 进阶优化方向

1. 多传感器融合：加入声发射信号时频分析
2. 小样本学习：使用SimCLR进行时频图对比学习
3. 寿命预测：将分类头改为回归头预测剩余寿命

实际部署中发现，在低速重载工况下（＜300rpm），需要将小波尺度范围调整到5-256以获得更好效果。建议不同设备类型建立独立的参数配置文件。