1. 项目背景与核心价值滚动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。传统故障诊断方法依赖专家经验和信号处理技术存在人工特征提取复杂、泛化能力有限等问题。基于深度学习的智能诊断方法通过数据驱动方式自动学习特征表示正在成为工业预测性维护的新范式。本项目复现的是一种融合注意力机制与1D-CNN的混合模型架构其创新点主要体现在采用1D-CNN处理原始振动信号避免传统时频分析中的信息损失引入注意力模块动态强化关键故障特征在CWRU轴承数据集上实现98.7%的测试准确率注意完整复现需要约8GB显存的GPU设备若使用Colab需升级到Pro版本以获得足够计算资源2. 环境配置与数据准备2.1 开发环境搭建推荐使用conda创建隔离环境conda create -n bearing_diagnosis python3.8 conda activate bearing_diagnosis pip install torch1.12.1cu113 torchvision0.13.1cu113 -f https://download.pytorch.org/whl/torch_stable.html pip install scikit-learn pandas matplotlib tqdm2.2 数据集处理使用Case Western Reserve University轴承数据集下载12k驱动端轴承数据包含正常状态和7种故障类型按以下规则构建样本def create_samples(signal, window_size2048, stride512): samples [] for i in range(0, len(signal)-window_size, stride): samples.append(signal[i:iwindow_size]) return np.array(samples)划分训练/验证/测试集6:2:2比例3. 模型架构详解3.1 1D-CNN特征提取层class FeatureExtractor(nn.Module): def __init__(self): super().__init__() self.conv_blocks nn.Sequential( nn.Conv1d(1, 64, kernel_size64, stride8, padding28), nn.BatchNorm1d(64), nn.ReLU(), nn.MaxPool1d(2, stride2), nn.Conv1d(64, 128, kernel_size32, stride4, padding14), nn.BatchNorm1d(128), nn.ReLU(), nn.MaxPool1d(2, stride2), nn.Conv1d(128, 256, kernel_size16, stride2, padding8), nn.BatchNorm1d(256), nn.ReLU(), nn.MaxPool1d(2, stride2) )3.2 通道注意力模块实现class ChannelAttention(nn.Module): def __init__(self, channels, reduction16): super().__init__() self.avg_pool nn.AdaptiveAvgPool1d(1) self.max_pool nn.AdaptiveMaxPool1d(1) self.fc nn.Sequential( nn.Linear(channels, channels // reduction), nn.ReLU(), nn.Linear(channels // reduction, channels), nn.Sigmoid() ) def forward(self, x): avg_out self.fc(self.avg_pool(x).squeeze(-1)) max_out self.fc(self.max_pool(x).squeeze(-1)) return (avg_out max_out).unsqueeze(-1)4. 训练优化技巧4.1 损失函数选择采用标签平滑的CrossEntropyLosscriterion nn.CrossEntropyLoss(label_smoothing0.1)4.2 学习率调度策略使用WarmupCosine衰减scheduler torch.optim.lr_scheduler.SequentialLR( optimizer, [ torch.optim.lr_scheduler.LinearLR( optimizer, start_factor0.01, total_iters5), torch.optim.lr_scheduler.CosineAnnealingLR( optimizer, T_max95) ], milestones[5] )5. 常见问题排查5.1 梯度消失问题现象验证集准确率长期停滞在50%左右 解决方案检查BN层是否在训练模式model.train()适当减小第一层卷积的stride从8调整为4添加梯度裁剪torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)5.2 过拟合处理当训练/验证准确率差距15%时在卷积后添加Dropout层p0.2使用Mixup数据增强def mixup_data(x, y, alpha0.4): lam np.random.beta(alpha, alpha) batch_size x.size(0) index torch.randperm(batch_size) mixed_x lam * x (1 - lam) * x[index] return mixed_x, y, y[index], lam6. 模型部署建议6.1 ONNX导出dummy_input torch.randn(1, 1, 2048) torch.onnx.export( model, dummy_input, bearing_model.onnx, input_names[vibration_signal], output_names[fault_prob], dynamic_axes{ vibration_signal: {0: batch_size}, fault_prob: {0: batch_size} } )6.2 边缘设备优化使用TensorRT加速trtexec --onnxbearing_model.onnx \ --saveEnginebearing_model.trt \ --fp16 \ --workspace2048 
长河君 · 2026/10/28 17:14:22 · 阅读 1.2k 基于注意力机制与1D-CNN的轴承故障诊断模型实现
1. 项目背景与核心价值滚动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。传统故障诊断方法依赖专家经验和信号处理技术存在人工特征提取复杂、泛化能力有限等问题。基于深度学习的智能诊断方法通过数据驱动方式自动学习特征表示正在成为工业预测性维护的新范式。本项目复现的是一种融合注意力机制与1D-CNN的混合模型架构其创新点主要体现在采用1D-CNN处理原始振动信号避免传统时频分析中的信息损失引入注意力模块动态强化关键故障特征在CWRU轴承数据集上实现98.7%的测试准确率注意完整复现需要约8GB显存的GPU设备若使用Colab需升级到Pro版本以获得足够计算资源2. 环境配置与数据准备2.1 开发环境搭建推荐使用conda创建隔离环境conda create -n bearing_diagnosis python3.8 conda activate bearing_diagnosis pip install torch1.12.1cu113 torchvision0.13.1cu113 -f https://download.pytorch.org/whl/torch_stable.html pip install scikit-learn pandas matplotlib tqdm2.2 数据集处理使用Case Western Reserve University轴承数据集下载12k驱动端轴承数据包含正常状态和7种故障类型按以下规则构建样本def create_samples(signal, window_size2048, stride512): samples [] for i in range(0, len(signal)-window_size, stride): samples.append(signal[i:iwindow_size]) return np.array(samples)划分训练/验证/测试集6:2:2比例3. 模型架构详解3.1 1D-CNN特征提取层class FeatureExtractor(nn.Module): def __init__(self): super().__init__() self.conv_blocks nn.Sequential( nn.Conv1d(1, 64, kernel_size64, stride8, padding28), nn.BatchNorm1d(64), nn.ReLU(), nn.MaxPool1d(2, stride2), nn.Conv1d(64, 128, kernel_size32, stride4, padding14), nn.BatchNorm1d(128), nn.ReLU(), nn.MaxPool1d(2, stride2), nn.Conv1d(128, 256, kernel_size16, stride2, padding8), nn.BatchNorm1d(256), nn.ReLU(), nn.MaxPool1d(2, stride2) )3.2 通道注意力模块实现class ChannelAttention(nn.Module): def __init__(self, channels, reduction16): super().__init__() self.avg_pool nn.AdaptiveAvgPool1d(1) self.max_pool nn.AdaptiveMaxPool1d(1) self.fc nn.Sequential( nn.Linear(channels, channels // reduction), nn.ReLU(), nn.Linear(channels // reduction, channels), nn.Sigmoid() ) def forward(self, x): avg_out self.fc(self.avg_pool(x).squeeze(-1)) max_out self.fc(self.max_pool(x).squeeze(-1)) return (avg_out max_out).unsqueeze(-1)4. 训练优化技巧4.1 损失函数选择采用标签平滑的CrossEntropyLosscriterion nn.CrossEntropyLoss(label_smoothing0.1)4.2 学习率调度策略使用WarmupCosine衰减scheduler torch.optim.lr_scheduler.SequentialLR( optimizer, [ torch.optim.lr_scheduler.LinearLR( optimizer, start_factor0.01, total_iters5), torch.optim.lr_scheduler.CosineAnnealingLR( optimizer, T_max95) ], milestones[5] )5. 常见问题排查5.1 梯度消失问题现象验证集准确率长期停滞在50%左右 解决方案检查BN层是否在训练模式model.train()适当减小第一层卷积的stride从8调整为4添加梯度裁剪torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)5.2 过拟合处理当训练/验证准确率差距15%时在卷积后添加Dropout层p0.2使用Mixup数据增强def mixup_data(x, y, alpha0.4): lam np.random.beta(alpha, alpha) batch_size x.size(0) index torch.randperm(batch_size) mixed_x lam * x (1 - lam) * x[index] return mixed_x, y, y[index], lam6. 模型部署建议6.1 ONNX导出dummy_input torch.randn(1, 1, 2048) torch.onnx.export( model, dummy_input, bearing_model.onnx, input_names[vibration_signal], output_names[fault_prob], dynamic_axes{ vibration_signal: {0: batch_size}, fault_prob: {0: batch_size} } )6.2 边缘设备优化使用TensorRT加速trtexec --onnxbearing_model.onnx \ --saveEnginebearing_model.trt \ --fp16 \ --workspace2048