简介这份PDF文档面向从事机械故障诊断、信号处理与机器学习应用的研究生、工程师及科研人员系统讲解如何将CEEMD分解与BP神经网络结合用于大数据背景下滚动轴承的故障识别。内容围绕信号降噪、特征提取与模式识别展开涉及峭度指标、峰值指数、重心频率、均方频率等时频域参数的选取以及网络层数、节点数与初始权值的确定思路属于深度学习与数据建模方向的进阶参考资料。资源包共1个文件为PDF格式大小约253KB便于在电脑或移动端直接阅读与检索。目前已有142人学习下载适合希望了解CEEMD降噪流程、BP网络非线性映射能力及大数据故障诊断建模方法的读者参考可帮助快速把握该方法的整体框架与实验逻辑。1. 从一堆振动数据里揪出轴承故障CEEMD-BP 这套组合拳到底怎么打产线上离心泵的振动信号一抓一大把采样率一高TB 级数据几天就堆满。麻烦的是真正能说明轴承坏没坏的信息全埋在强背景噪声里。直接拿原始信号喂给分类器准确率基本靠运气。这份《基于CEEMD-BP神经网络大数据轴承故障诊断》的 PDF讲的正是怎么把 CEEMD 分解降噪和 BP 神经网络拼成一条完整链路先用 CEEMD 把原始振动信号拆成若干本征模态分量剔除噪声主导的高频分量后重构信号再算时频域特征参数最后送进 BP 网络做故障状态识别。适合手里有振动数据、想跑通一套可复现诊断流程的从业者也适合做设备状态监测方向、需要找特征工程与网络结构参考的人。它不解决数据采集硬件问题也不教深度学习框架核心价值在于给出一条从信号到诊断结论的完整工程路径。2. CEEMD 降噪与特征参数计算重构信号这一步别偷懒2.1 为什么选 CEEMD 而不是直接上原始信号滚动轴承的振动信号是非线性、非平稳的傅里叶变换这类全局方法处理起来很吃力。经验模态分解EMD能把信号自适应地拆成多个本征模态函数IMF每个 IMF 对应不同时间尺度的振荡成分。但 EMD 有个老毛病——模态混叠同一个 IMF 里可能混着差异很大的时间尺度分解结果不稳定。CEEMDComplete Ensemble Empirical Mode Decomposition在 EMD 基础上加入成对的正负高斯白噪声再做多次分解取平均。白噪声的作用是给信号提供一个均匀分布的参考尺度让不同时间尺度的成分自动归位到对应的 IMF 上。成对加噪再平均能把残留噪声抵消掉模态混叠明显减轻。常见做法是加 100 到 200 对噪声标准差设成原始信号标准差的 0.1 到 0.2 倍。噪声对数和幅值这两个参数直接决定分解质量和计算量后面避坑章节会细说。分解完成后信号被拆成从高频到低频排列的 IMF 分量。高频那几个通常是噪声和冲击成分低频那几个才反映轴承的固有振动特征。重构时把噪声主导的分量直接扔掉剩下的 IMF 相加得到降噪后的信号。这一步没有固定公式说该扔几个得看每个 IMF 的方差贡献率和频谱重心一般保留累计方差贡献率超过 85% 到 90% 的分量。2.2 时频域特征参数怎么算、怎么选重构信号拿到手下一步是提取能区分正常、内圈故障、外圈故障、滚动体故障这四种状态的特征参数。PDF 里选了 8 个时域 5 个加频域 3 个。时域特征参数包括波形因子、峰值因子、脉冲因子、裕度因子和峭度因子。这几个都是无量纲指标好处是不受轴承型号、转速和载荷影响换一台设备也不用重新标定。峭度因子对冲击成分特别敏感轴承局部损伤产生的周期性冲击会让峭度值明显偏离正常水平。峰值因子和脉冲因子反映的是峰值在整体幅值分布中的突出程度早期微弱故障往往先在这两个指标上露出苗头。频域特征参数用的是外圈故障频率峰值率因子、内圈故障频率峰值率因子和滚动体故障频率峰值率因子。计算逻辑是先根据轴承几何参数和转速算出各故障特征频率再取该频率及其前三阶高次谐波对应的幅值求和。轴承发生故障时故障特征频率处的能量会显著升高高次谐波也会跟着起来所以用前三阶谐波幅值之和来表征。import numpy as np from scipy.fft import fft, fftfreq def time_domain_features(signal): 计算时域无量纲特征参数 abs_signal np.abs(signal) rms np.sqrt(np.mean(signal ** 2)) # 均方根值 peak np.max(abs_signal) # 峰值 mean_abs np.mean(abs_signal) # 绝对平均值 root_amp np.mean(np.sqrt(abs_signal)) ** 2 # 方根幅值 waveform_factor rms / mean_abs # 波形因子 peak_factor peak / rms # 峰值因子 impulse_factor peak / mean_abs # 脉冲因子 margin_factor peak / root_amp # 裕度因子 kurtosis np.mean((signal - np.mean(signal)) ** 4) / (np.std(signal) ** 4) # 峭度因子 return { waveform_factor: waveform_factor, peak_factor: peak_factor, impulse_factor: impulse_factor, margin_factor: margin_factor, kurtosis: kurtosis } def freq_domain_features(signal, fs, fault_freqs): 计算频域峰值率因子fault_freqs 为各故障特征频率列表 n len(signal) spectrum np.abs(fft(signal))[:n // 2] freqs fftfreq(n, 1 / fs)[:n // 2] features {} for name, f0 in fault_freqs.items(): amp_sum 0.0 for harmonic in range(1, 4): # 取前三阶谐波 target f0 * harmonic idx np.argmin(np.abs(freqs - target)) amp_sum spectrum[idx] features[fPR_{name}] amp_sum return features时域函数里每个指标都有明确的物理含义峭度因子用四阶中心矩除以标准差的四次方正常轴承接近 3出现冲击损伤时会明显增大。频域函数里fault_freqs需要根据轴承型号和转速提前算好harmonic循环取前三阶谐波np.argmin找的是频谱里离目标频率最近的那个点。实际用的时候采样频率fs必须和采集设置一致否则频率轴对不上算出来的峰值率因子全是错的。2.3 特征参数归一化与样本库构建8 个特征参数的量纲和数量级差异很大峭度因子可能在个位数而峰值率因子的数值可能到几百上千。直接送进 BP 网络数量级大的参数会主导梯度更新数量级小的参数几乎不起作用。PDF 里用的是mapminmax函数做归一化把每个参数线性映射到 [-1, 1] 区间。def normalize_features(feature_matrix): 按列归一化到 [-1, 1]feature_matrix 形状为 (样本数, 特征数) min_vals feature_matrix.min(axis0) max_vals feature_matrix.max(axis0) range_vals max_vals - min_vals range_vals[range_vals 0] 1e-8 # 防止除零 normalized 2 * (feature_matrix - min_vals) / range_vals - 1 return normalized, min_vals, max_vals归一化参数必须从训练集上算出来然后原封不动地应用到测试集。如果训练集和测试集各自归一化测试集的映射关系就和训练集不一致网络输出会偏得离谱。这个坑后面还会展开说。样本库按四种状态组织正常、外圈故障、内圈故障、滚动体故障。每种状态采集若干组数据每组数据经过 CEEMD 降噪和特征提取后得到一个 8 维特征向量。PDF 里每种状态用了 5 组数据做学习样本实际工程中建议每种状态至少准备 30 到 50 组覆盖不同转速和载荷工况否则网络的泛化能力会很差。3. BP 网络结构设计与训练8-19-3 不是拍脑袋定的3.1 网络层数和节点数的确定逻辑BP 神经网络的核心是一个多层前馈结构通过反向传播算法调整权重和偏置让输出逼近期望值。PDF 里用的是三层结构输入层、一个隐层、输出层。输入层节点数等于特征参数个数也就是 8输出层节点数等于故障类别编码位数四种状态用三位二进制编码正常是 (0,0,0)外圈故障 (1,0,0)内圈故障 (0,1,0)滚动体故障 (0,0,1)所以输出层是 3 个节点。隐层节点数定在 19这个数不是随便写的。隐层节点太少网络拟合能力不够训练误差降不下去节点太多训练集上表现很好但测试集一塌糊涂也就是过拟合。工程上常用的经验公式是隐层节点数取输入节点数和输出节点数之和的一半再加一个常数或者取输入节点数的 1.5 到 2 倍。8 个输入、3 个输出隐层取 19 大致在合理范围内。但要注意这个数跟具体数据的复杂程度强相关换一批数据可能需要重新试。常见做法是从 10 开始逐步增加每次加 2 到 4 个观察验证集误差的变化找到误差开始回升的那个点就往回退一步。传递函数的选择也有讲究。隐层用tansig也就是双曲正切 S 型函数输出范围是 -1 到 1和归一化后的输入范围匹配。输出层用purelin线性函数因为故障编码是 0 和 1 的离散值不需要再压缩到 S 型区间里。训练函数用trainlmLevenberg-Marquardt 算法收敛速度快适合中小规模网络。学习函数用learngdm带动量的梯度下降。3.2 训练参数设置与收敛判断import numpy as np class BPDiagnosisNet: def __init__(self, input_dim8, hidden_dim19, output_dim3): # 输入层到隐层权重Xavier 初始化 self.W1 np.random.randn(input_dim, hidden_dim) * np.sqrt(2.0 / input_dim) self.b1 np.zeros((1, hidden_dim)) # 隐层到输出层权重 self.W2 np.random.randn(hidden_dim, output_dim) * np.sqrt(2.0 / hidden_dim) self.b2 np.zeros((1, output_dim)) def forward(self, X): # 隐层用 tansig输出层用 purelin self.z1 np.dot(X, self.W1) self.b1 self.a1 np.tanh(self.z1) self.z2 np.dot(self.a1, self.W2) self.b2 return self.z2 def train(self, X, T, lr0.05, epochs5000, goal0.001): X 为归一化输入T 为归一化期望输出 n_samples X.shape[0] for epoch in range(epochs): output self.forward(X) error output - T loss np.mean(error ** 2) if loss goal: print(fEpoch {epoch}, loss {loss:.6f}, 达到目标) break # 反向传播 delta2 error / n_samples dW2 np.dot(self.a1.T, delta2) db2 np.sum(delta2, axis0, keepdimsTrue) delta1 np.dot(delta2, self.W2.T) * (1 - self.a1 ** 2) dW1 np.dot(X.T, delta1) db1 np.sum(delta1, axis0, keepdimsTrue) # 权重更新 self.W2 - lr * dW2 self.b2 - lr * db2 self.W1 - lr * dW1 self.b1 - lr * db1 return loss训练目标goal设成 0.001意思是均方误差降到这个值以下就停。学习率lr设 0.05这个值偏保守训练稳但慢。如果数据归一化做得好学习率可以适当加大到 0.1 甚至 0.2收敛会快很多。迭代上限epochs设 5000是防止网络在目标误差附近震荡不收敛时无限跑下去。PDF 里提到第四次迭代就达到收敛误差 0.0008194说明数据质量好、归一化到位、初始权重也合适。实际跑的时候如果几百次迭代误差还在 0.01 以上晃大概率是归一化有问题或者隐层节点数不够。3.3 测试验证与故障状态判定训练完成后用测试样本做前向传播得到网络输出。输出是三个连续值需要跟期望的二进制编码做对比。判定规则很简单哪个输出节点值最接近 1就归到哪一类。比如输出是 (0.92, 0.05, 0.03)对应外圈故障输出是 (0.02, 0.91, 0.04)对应内圈故障。def predict(net, X_test, label_map): X_test 为归一化后的测试特征label_map 为编码到状态名的映射 raw_output net.forward(X_test) results [] for row in raw_output: idx np.argmax(row) results.append(label_map[idx]) return results label_map { 0: 正常, 1: 外圈故障, 2: 内圈故障, 3: 滚动体故障 }这里有个细节np.argmax取的是三个输出里最大的那个但如果网络训练不充分可能出现三个输出都在 0.4 到 0.6 之间的情况这时候argmax给出的结果置信度很低。工程上会加一个阈值判断最大输出值低于 0.7 就标记为“不确定”转人工复核。PDF 里的测试结果表显示各状态输出区分度很好说明网络训练到位了。4. 避坑与排查CEEMD-BP 链路上最容易翻车的五个地方4.1 模态混叠没消干净特征参数全乱套现象CEEMD 分解后同一个 IMF 里同时出现高频冲击和低频趋势重构信号的峭度因子跟原始信号比几乎没变化降噪等于白做。原因噪声对数和噪声幅值设得太小。噪声对数是控制分解稳定性的关键参数设成 50 对以下时正负噪声平均不充分残留噪声反而会污染 IMF。噪声幅值太小则起不到均匀分布参考尺度的作用。解决噪声对数加到 100 到 200 对噪声幅值设成原始信号标准差的 0.15 到 0.2 倍。分解完成后检查每个 IMF 的频谱如果某个 IMF 的频谱里同时有低频峰和高频峰说明混叠还在继续加噪声对数和幅值重试。4.2 归一化参数从测试集上算训练集测试集分布对不上现象训练时误差降得很好一换测试集准确率就掉到 50% 以下输出值全挤在 0.5 附近。原因训练集和测试集各自做了归一化两边的映射关系不一致。训练集归一化用的是训练集的最小值和最大值测试集归一化用的是测试集的最小值和最大值同一个特征值在两边映射到的区间位置完全不同。解决归一化参数必须从训练集上算出来然后保存下来测试集直接用训练集的参数做映射。代码里normalize_features返回的min_vals和max_vals要存成文件测试时加载回来用。4.3 隐层节点数拍脑袋定过拟合或欠拟合现象隐层节点设成 50训练集准确率 99%测试集准确率 60%设成 5训练集准确率都上不去误差曲线平着走。原因隐层节点数跟数据复杂度不匹配。节点太多网络把训练样本里的噪声也学进去了节点太少网络容量不够连训练样本的规律都拟合不了。解决从 10 开始每次加 2 到 4 个节点画验证集误差随节点数变化的曲线。误差先降后升取最低点对应的节点数。如果数据量本身很小每种状态只有几组样本隐层节点数要压得更低同时加正则化项。4.4 学习率设太大误差曲线震荡不收敛现象训练误差曲线上下剧烈跳动迭代几百次还在 0.01 以上偶尔还会跳到 NaN。原因学习率太大权重更新步长过长在损失函数曲面上来回跨过最低点。特别是输入特征没有归一化或者归一化不彻底时梯度值本身很大再乘上大学习率直接发散。解决先把归一化做扎实确认每个特征都在 [-1, 1] 区间内。学习率从 0.01 开始试观察误差曲线如果下降太慢就逐步加到 0.05、0.1。如果加到 0.1 以上开始震荡就退回上一个稳定值。带动量的梯度下降本身有一定平滑作用但学习率还是不能太激进。4.5 故障特征频率算错频域特征参数全是噪声现象频域峰值率因子在四种状态下数值差不多没有区分度网络靠时域参数勉强分类但外圈和内圈故障经常混淆。原因故障特征频率的计算依赖轴承几何参数节径、滚珠直径、接触角、滚珠数和转速。参数填错一个算出来的特征频率就偏了取幅值时取到的是背景噪声而不是故障谐波。解决先确认轴承型号查手册拿到准确的几何参数。转速用实际测量值不要用额定转速代替。算完特征频率后拿正常状态的信号做一次频谱分析确认这些频率处没有异常峰值再拿已知故障状态的信号验证确认故障特征频率处确实有峰值。这一步验证不做后面所有频域特征都是盲猜。5. 从能跑到好用几个让诊断结果更稳的实操技巧网络训练完、测试集也过了不代表这套东西就能直接上产线。实际用的时候有几个地方值得多花点心思。第一样本库的工况覆盖要够宽。训练样本里如果只有某一转速下的数据换一个转速网络就懵了。我一般会按转速分档每档至少采三组不同载荷的数据混在一起训练。这样网络学到的是故障特征本身而不是某个特定工况下的巧合规律。代价是样本量翻几倍但泛化能力提升很明显。第二CEEMD 的分解参数可以做一次小范围寻优。噪声对数和噪声幅值这两个参数不用每次都手动试。写个循环噪声对数取 [50, 100, 150, 200]噪声幅值取 [0.1, 0.15, 0.2, 0.25]每组参数跑一次分解算重构信号的峭度因子和包络谱峰值信噪比选指标最好的那组。这个寻优过程一次跑完存成配置后面同类信号直接复用。第三BP 网络的初始权重多试几次。BP 网络对初始权重敏感不同的随机初始化可能收敛到不同的局部最优。工程上会跑 5 到 10 次训练每次用不同的随机种子取验证集误差最小的那个网络作为最终模型。如果多次训练结果的方差很大说明数据本身噪声太重或者特征区分度不够得回头检查特征提取环节。第四输出加一个置信度判断。三个输出节点的最大值如果低于 0.7或者前两个最大值差距小于 0.2就标记为“不确定”不直接给诊断结论。产线上误报的代价比漏报还大宁可转人工复核也不要硬给一个不可靠的结果。第五模型要定期用新数据微调。轴承磨损是渐进的今天正常的信号三个月后可能就处于早期故障边缘。固定不变的模型迟早会失准。常见做法是每个月拿一批新采集的数据人工标注后加入训练集用较小的学习率对网络做增量训练。增量训练的学习率设成初始训练的十分之一到五分之一避免把之前学到的规律冲掉。def incremental_update(net, X_new, T_new, lr0.005, epochs500): 增量训练用新数据微调网络学习率取初始值的 1/10 到 1/5 for epoch in range(epochs): output net.forward(X_new) error output - T_new loss np.mean(error ** 2) if loss 0.001: break delta2 error / X_new.shape[0] dW2 np.dot(net.a1.T, delta2) db2 np.sum(delta2, axis0, keepdimsTrue) delta1 np.dot(delta2, net.W2.T) * (1 - net.a1 ** 2) dW1 np.dot(X_new.T, delta1) db1 np.sum(delta1, axis0, keepdimsTrue) net.W2 - lr * dW2 net.b2 - lr * db2 net.W1 - lr * dW1 net.b1 - lr * db1 return loss增量训练的学习率lr设成 0.005是初始训练 0.05 的十分之一。迭代次数不用太多500 次足够让网络适应新数据又不至于忘掉旧规律。每次增量训练完拿一个固定的验证集跑一遍确认准确率没有明显下降。如果下降超过 5 个百分点说明新数据和旧数据分布差异太大得考虑重新训练而不是增量更新。从那以后我每次部署诊断模型之前都会强制走一遍完整验证拿一批没参与训练的已知故障样本从 CEEMD 分解到特征提取到网络推理全流程跑通确认每个环节的输出都在合理范围内。这个习惯帮我拦住了好几次因为参数配错导致的批量误判。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/22 13:15:55 · 阅读 1.2k CEEMD-BP神经网络轴承故障诊断：从振动信号到诊断结论的完整工程链路
简介这份PDF文档面向从事机械故障诊断、信号处理与机器学习应用的研究生、工程师及科研人员系统讲解如何将CEEMD分解与BP神经网络结合用于大数据背景下滚动轴承的故障识别。内容围绕信号降噪、特征提取与模式识别展开涉及峭度指标、峰值指数、重心频率、均方频率等时频域参数的选取以及网络层数、节点数与初始权值的确定思路属于深度学习与数据建模方向的进阶参考资料。资源包共1个文件为PDF格式大小约253KB便于在电脑或移动端直接阅读与检索。目前已有142人学习下载适合希望了解CEEMD降噪流程、BP网络非线性映射能力及大数据故障诊断建模方法的读者参考可帮助快速把握该方法的整体框架与实验逻辑。1. 从一堆振动数据里揪出轴承故障CEEMD-BP 这套组合拳到底怎么打产线上离心泵的振动信号一抓一大把采样率一高TB 级数据几天就堆满。麻烦的是真正能说明轴承坏没坏的信息全埋在强背景噪声里。直接拿原始信号喂给分类器准确率基本靠运气。这份《基于CEEMD-BP神经网络大数据轴承故障诊断》的 PDF讲的正是怎么把 CEEMD 分解降噪和 BP 神经网络拼成一条完整链路先用 CEEMD 把原始振动信号拆成若干本征模态分量剔除噪声主导的高频分量后重构信号再算时频域特征参数最后送进 BP 网络做故障状态识别。适合手里有振动数据、想跑通一套可复现诊断流程的从业者也适合做设备状态监测方向、需要找特征工程与网络结构参考的人。它不解决数据采集硬件问题也不教深度学习框架核心价值在于给出一条从信号到诊断结论的完整工程路径。2. CEEMD 降噪与特征参数计算重构信号这一步别偷懒2.1 为什么选 CEEMD 而不是直接上原始信号滚动轴承的振动信号是非线性、非平稳的傅里叶变换这类全局方法处理起来很吃力。经验模态分解EMD能把信号自适应地拆成多个本征模态函数IMF每个 IMF 对应不同时间尺度的振荡成分。但 EMD 有个老毛病——模态混叠同一个 IMF 里可能混着差异很大的时间尺度分解结果不稳定。CEEMDComplete Ensemble Empirical Mode Decomposition在 EMD 基础上加入成对的正负高斯白噪声再做多次分解取平均。白噪声的作用是给信号提供一个均匀分布的参考尺度让不同时间尺度的成分自动归位到对应的 IMF 上。成对加噪再平均能把残留噪声抵消掉模态混叠明显减轻。常见做法是加 100 到 200 对噪声标准差设成原始信号标准差的 0.1 到 0.2 倍。噪声对数和幅值这两个参数直接决定分解质量和计算量后面避坑章节会细说。分解完成后信号被拆成从高频到低频排列的 IMF 分量。高频那几个通常是噪声和冲击成分低频那几个才反映轴承的固有振动特征。重构时把噪声主导的分量直接扔掉剩下的 IMF 相加得到降噪后的信号。这一步没有固定公式说该扔几个得看每个 IMF 的方差贡献率和频谱重心一般保留累计方差贡献率超过 85% 到 90% 的分量。2.2 时频域特征参数怎么算、怎么选重构信号拿到手下一步是提取能区分正常、内圈故障、外圈故障、滚动体故障这四种状态的特征参数。PDF 里选了 8 个时域 5 个加频域 3 个。时域特征参数包括波形因子、峰值因子、脉冲因子、裕度因子和峭度因子。这几个都是无量纲指标好处是不受轴承型号、转速和载荷影响换一台设备也不用重新标定。峭度因子对冲击成分特别敏感轴承局部损伤产生的周期性冲击会让峭度值明显偏离正常水平。峰值因子和脉冲因子反映的是峰值在整体幅值分布中的突出程度早期微弱故障往往先在这两个指标上露出苗头。频域特征参数用的是外圈故障频率峰值率因子、内圈故障频率峰值率因子和滚动体故障频率峰值率因子。计算逻辑是先根据轴承几何参数和转速算出各故障特征频率再取该频率及其前三阶高次谐波对应的幅值求和。轴承发生故障时故障特征频率处的能量会显著升高高次谐波也会跟着起来所以用前三阶谐波幅值之和来表征。import numpy as np from scipy.fft import fft, fftfreq def time_domain_features(signal): 计算时域无量纲特征参数 abs_signal np.abs(signal) rms np.sqrt(np.mean(signal ** 2)) # 均方根值 peak np.max(abs_signal) # 峰值 mean_abs np.mean(abs_signal) # 绝对平均值 root_amp np.mean(np.sqrt(abs_signal)) ** 2 # 方根幅值 waveform_factor rms / mean_abs # 波形因子 peak_factor peak / rms # 峰值因子 impulse_factor peak / mean_abs # 脉冲因子 margin_factor peak / root_amp # 裕度因子 kurtosis np.mean((signal - np.mean(signal)) ** 4) / (np.std(signal) ** 4) # 峭度因子 return { waveform_factor: waveform_factor, peak_factor: peak_factor, impulse_factor: impulse_factor, margin_factor: margin_factor, kurtosis: kurtosis } def freq_domain_features(signal, fs, fault_freqs): 计算频域峰值率因子fault_freqs 为各故障特征频率列表 n len(signal) spectrum np.abs(fft(signal))[:n // 2] freqs fftfreq(n, 1 / fs)[:n // 2] features {} for name, f0 in fault_freqs.items(): amp_sum 0.0 for harmonic in range(1, 4): # 取前三阶谐波 target f0 * harmonic idx np.argmin(np.abs(freqs - target)) amp_sum spectrum[idx] features[fPR_{name}] amp_sum return features时域函数里每个指标都有明确的物理含义峭度因子用四阶中心矩除以标准差的四次方正常轴承接近 3出现冲击损伤时会明显增大。频域函数里fault_freqs需要根据轴承型号和转速提前算好harmonic循环取前三阶谐波np.argmin找的是频谱里离目标频率最近的那个点。实际用的时候采样频率fs必须和采集设置一致否则频率轴对不上算出来的峰值率因子全是错的。2.3 特征参数归一化与样本库构建8 个特征参数的量纲和数量级差异很大峭度因子可能在个位数而峰值率因子的数值可能到几百上千。直接送进 BP 网络数量级大的参数会主导梯度更新数量级小的参数几乎不起作用。PDF 里用的是mapminmax函数做归一化把每个参数线性映射到 [-1, 1] 区间。def normalize_features(feature_matrix): 按列归一化到 [-1, 1]feature_matrix 形状为 (样本数, 特征数) min_vals feature_matrix.min(axis0) max_vals feature_matrix.max(axis0) range_vals max_vals - min_vals range_vals[range_vals 0] 1e-8 # 防止除零 normalized 2 * (feature_matrix - min_vals) / range_vals - 1 return normalized, min_vals, max_vals归一化参数必须从训练集上算出来然后原封不动地应用到测试集。如果训练集和测试集各自归一化测试集的映射关系就和训练集不一致网络输出会偏得离谱。这个坑后面还会展开说。样本库按四种状态组织正常、外圈故障、内圈故障、滚动体故障。每种状态采集若干组数据每组数据经过 CEEMD 降噪和特征提取后得到一个 8 维特征向量。PDF 里每种状态用了 5 组数据做学习样本实际工程中建议每种状态至少准备 30 到 50 组覆盖不同转速和载荷工况否则网络的泛化能力会很差。3. BP 网络结构设计与训练8-19-3 不是拍脑袋定的3.1 网络层数和节点数的确定逻辑BP 神经网络的核心是一个多层前馈结构通过反向传播算法调整权重和偏置让输出逼近期望值。PDF 里用的是三层结构输入层、一个隐层、输出层。输入层节点数等于特征参数个数也就是 8输出层节点数等于故障类别编码位数四种状态用三位二进制编码正常是 (0,0,0)外圈故障 (1,0,0)内圈故障 (0,1,0)滚动体故障 (0,0,1)所以输出层是 3 个节点。隐层节点数定在 19这个数不是随便写的。隐层节点太少网络拟合能力不够训练误差降不下去节点太多训练集上表现很好但测试集一塌糊涂也就是过拟合。工程上常用的经验公式是隐层节点数取输入节点数和输出节点数之和的一半再加一个常数或者取输入节点数的 1.5 到 2 倍。8 个输入、3 个输出隐层取 19 大致在合理范围内。但要注意这个数跟具体数据的复杂程度强相关换一批数据可能需要重新试。常见做法是从 10 开始逐步增加每次加 2 到 4 个观察验证集误差的变化找到误差开始回升的那个点就往回退一步。传递函数的选择也有讲究。隐层用tansig也就是双曲正切 S 型函数输出范围是 -1 到 1和归一化后的输入范围匹配。输出层用purelin线性函数因为故障编码是 0 和 1 的离散值不需要再压缩到 S 型区间里。训练函数用trainlmLevenberg-Marquardt 算法收敛速度快适合中小规模网络。学习函数用learngdm带动量的梯度下降。3.2 训练参数设置与收敛判断import numpy as np class BPDiagnosisNet: def __init__(self, input_dim8, hidden_dim19, output_dim3): # 输入层到隐层权重Xavier 初始化 self.W1 np.random.randn(input_dim, hidden_dim) * np.sqrt(2.0 / input_dim) self.b1 np.zeros((1, hidden_dim)) # 隐层到输出层权重 self.W2 np.random.randn(hidden_dim, output_dim) * np.sqrt(2.0 / hidden_dim) self.b2 np.zeros((1, output_dim)) def forward(self, X): # 隐层用 tansig输出层用 purelin self.z1 np.dot(X, self.W1) self.b1 self.a1 np.tanh(self.z1) self.z2 np.dot(self.a1, self.W2) self.b2 return self.z2 def train(self, X, T, lr0.05, epochs5000, goal0.001): X 为归一化输入T 为归一化期望输出 n_samples X.shape[0] for epoch in range(epochs): output self.forward(X) error output - T loss np.mean(error ** 2) if loss goal: print(fEpoch {epoch}, loss {loss:.6f}, 达到目标) break # 反向传播 delta2 error / n_samples dW2 np.dot(self.a1.T, delta2) db2 np.sum(delta2, axis0, keepdimsTrue) delta1 np.dot(delta2, self.W2.T) * (1 - self.a1 ** 2) dW1 np.dot(X.T, delta1) db1 np.sum(delta1, axis0, keepdimsTrue) # 权重更新 self.W2 - lr * dW2 self.b2 - lr * db2 self.W1 - lr * dW1 self.b1 - lr * db1 return loss训练目标goal设成 0.001意思是均方误差降到这个值以下就停。学习率lr设 0.05这个值偏保守训练稳但慢。如果数据归一化做得好学习率可以适当加大到 0.1 甚至 0.2收敛会快很多。迭代上限epochs设 5000是防止网络在目标误差附近震荡不收敛时无限跑下去。PDF 里提到第四次迭代就达到收敛误差 0.0008194说明数据质量好、归一化到位、初始权重也合适。实际跑的时候如果几百次迭代误差还在 0.01 以上晃大概率是归一化有问题或者隐层节点数不够。3.3 测试验证与故障状态判定训练完成后用测试样本做前向传播得到网络输出。输出是三个连续值需要跟期望的二进制编码做对比。判定规则很简单哪个输出节点值最接近 1就归到哪一类。比如输出是 (0.92, 0.05, 0.03)对应外圈故障输出是 (0.02, 0.91, 0.04)对应内圈故障。def predict(net, X_test, label_map): X_test 为归一化后的测试特征label_map 为编码到状态名的映射 raw_output net.forward(X_test) results [] for row in raw_output: idx np.argmax(row) results.append(label_map[idx]) return results label_map { 0: 正常, 1: 外圈故障, 2: 内圈故障, 3: 滚动体故障 }这里有个细节np.argmax取的是三个输出里最大的那个但如果网络训练不充分可能出现三个输出都在 0.4 到 0.6 之间的情况这时候argmax给出的结果置信度很低。工程上会加一个阈值判断最大输出值低于 0.7 就标记为“不确定”转人工复核。PDF 里的测试结果表显示各状态输出区分度很好说明网络训练到位了。4. 避坑与排查CEEMD-BP 链路上最容易翻车的五个地方4.1 模态混叠没消干净特征参数全乱套现象CEEMD 分解后同一个 IMF 里同时出现高频冲击和低频趋势重构信号的峭度因子跟原始信号比几乎没变化降噪等于白做。原因噪声对数和噪声幅值设得太小。噪声对数是控制分解稳定性的关键参数设成 50 对以下时正负噪声平均不充分残留噪声反而会污染 IMF。噪声幅值太小则起不到均匀分布参考尺度的作用。解决噪声对数加到 100 到 200 对噪声幅值设成原始信号标准差的 0.15 到 0.2 倍。分解完成后检查每个 IMF 的频谱如果某个 IMF 的频谱里同时有低频峰和高频峰说明混叠还在继续加噪声对数和幅值重试。4.2 归一化参数从测试集上算训练集测试集分布对不上现象训练时误差降得很好一换测试集准确率就掉到 50% 以下输出值全挤在 0.5 附近。原因训练集和测试集各自做了归一化两边的映射关系不一致。训练集归一化用的是训练集的最小值和最大值测试集归一化用的是测试集的最小值和最大值同一个特征值在两边映射到的区间位置完全不同。解决归一化参数必须从训练集上算出来然后保存下来测试集直接用训练集的参数做映射。代码里normalize_features返回的min_vals和max_vals要存成文件测试时加载回来用。4.3 隐层节点数拍脑袋定过拟合或欠拟合现象隐层节点设成 50训练集准确率 99%测试集准确率 60%设成 5训练集准确率都上不去误差曲线平着走。原因隐层节点数跟数据复杂度不匹配。节点太多网络把训练样本里的噪声也学进去了节点太少网络容量不够连训练样本的规律都拟合不了。解决从 10 开始每次加 2 到 4 个节点画验证集误差随节点数变化的曲线。误差先降后升取最低点对应的节点数。如果数据量本身很小每种状态只有几组样本隐层节点数要压得更低同时加正则化项。4.4 学习率设太大误差曲线震荡不收敛现象训练误差曲线上下剧烈跳动迭代几百次还在 0.01 以上偶尔还会跳到 NaN。原因学习率太大权重更新步长过长在损失函数曲面上来回跨过最低点。特别是输入特征没有归一化或者归一化不彻底时梯度值本身很大再乘上大学习率直接发散。解决先把归一化做扎实确认每个特征都在 [-1, 1] 区间内。学习率从 0.01 开始试观察误差曲线如果下降太慢就逐步加到 0.05、0.1。如果加到 0.1 以上开始震荡就退回上一个稳定值。带动量的梯度下降本身有一定平滑作用但学习率还是不能太激进。4.5 故障特征频率算错频域特征参数全是噪声现象频域峰值率因子在四种状态下数值差不多没有区分度网络靠时域参数勉强分类但外圈和内圈故障经常混淆。原因故障特征频率的计算依赖轴承几何参数节径、滚珠直径、接触角、滚珠数和转速。参数填错一个算出来的特征频率就偏了取幅值时取到的是背景噪声而不是故障谐波。解决先确认轴承型号查手册拿到准确的几何参数。转速用实际测量值不要用额定转速代替。算完特征频率后拿正常状态的信号做一次频谱分析确认这些频率处没有异常峰值再拿已知故障状态的信号验证确认故障特征频率处确实有峰值。这一步验证不做后面所有频域特征都是盲猜。5. 从能跑到好用几个让诊断结果更稳的实操技巧网络训练完、测试集也过了不代表这套东西就能直接上产线。实际用的时候有几个地方值得多花点心思。第一样本库的工况覆盖要够宽。训练样本里如果只有某一转速下的数据换一个转速网络就懵了。我一般会按转速分档每档至少采三组不同载荷的数据混在一起训练。这样网络学到的是故障特征本身而不是某个特定工况下的巧合规律。代价是样本量翻几倍但泛化能力提升很明显。第二CEEMD 的分解参数可以做一次小范围寻优。噪声对数和噪声幅值这两个参数不用每次都手动试。写个循环噪声对数取 [50, 100, 150, 200]噪声幅值取 [0.1, 0.15, 0.2, 0.25]每组参数跑一次分解算重构信号的峭度因子和包络谱峰值信噪比选指标最好的那组。这个寻优过程一次跑完存成配置后面同类信号直接复用。第三BP 网络的初始权重多试几次。BP 网络对初始权重敏感不同的随机初始化可能收敛到不同的局部最优。工程上会跑 5 到 10 次训练每次用不同的随机种子取验证集误差最小的那个网络作为最终模型。如果多次训练结果的方差很大说明数据本身噪声太重或者特征区分度不够得回头检查特征提取环节。第四输出加一个置信度判断。三个输出节点的最大值如果低于 0.7或者前两个最大值差距小于 0.2就标记为“不确定”不直接给诊断结论。产线上误报的代价比漏报还大宁可转人工复核也不要硬给一个不可靠的结果。第五模型要定期用新数据微调。轴承磨损是渐进的今天正常的信号三个月后可能就处于早期故障边缘。固定不变的模型迟早会失准。常见做法是每个月拿一批新采集的数据人工标注后加入训练集用较小的学习率对网络做增量训练。增量训练的学习率设成初始训练的十分之一到五分之一避免把之前学到的规律冲掉。def incremental_update(net, X_new, T_new, lr0.005, epochs500): 增量训练用新数据微调网络学习率取初始值的 1/10 到 1/5 for epoch in range(epochs): output net.forward(X_new) error output - T_new loss np.mean(error ** 2) if loss 0.001: break delta2 error / X_new.shape[0] dW2 np.dot(net.a1.T, delta2) db2 np.sum(delta2, axis0, keepdimsTrue) delta1 np.dot(delta2, net.W2.T) * (1 - net.a1 ** 2) dW1 np.dot(X_new.T, delta1) db1 np.sum(delta1, axis0, keepdimsTrue) net.W2 - lr * dW2 net.b2 - lr * db2 net.W1 - lr * dW1 net.b1 - lr * db1 return loss增量训练的学习率lr设成 0.005是初始训练 0.05 的十分之一。迭代次数不用太多500 次足够让网络适应新数据又不至于忘掉旧规律。每次增量训练完拿一个固定的验证集跑一遍确认准确率没有明显下降。如果下降超过 5 个百分点说明新数据和旧数据分布差异太大得考虑重新训练而不是增量更新。从那以后我每次部署诊断模型之前都会强制走一遍完整验证拿一批没参与训练的已知故障样本从 CEEMD 分解到特征提取到网络推理全流程跑通确认每个环节的输出都在合理范围内。这个习惯帮我拦住了好几次因为参数配错导致的批量误判。希望帮到你。本文还有配套的精品资源点击获取