1. 项目概述：从一份数据到一套方法论

最近在整理硬盘里的老项目资料，翻到了几年前处理过的一份名为“加拿大渥太华大学变工况轴承振动数据”的数据集。当时为了用它完成一个故障诊断的课题，可没少花功夫。这份数据在机械状态监测和故障诊断领域，尤其是学术界，算是个“老熟人”了，很多经典论文的算法验证都离不开它。但说实话，刚拿到手的时候，面对那一堆.mat文件、复杂的工况标签和时域波形，我也是一头雾水，走了不少弯路。今天，我就以一个过来人的身份，把这套数据的“里里外外”彻底拆解一遍，不仅告诉你数据里有什么，更重点分享如何高效地利用它，从数据预处理、特征工程到模型搭建的完整实操路径，以及我踩过的那些坑和总结出的技巧。无论你是刚开始接触PHM（预测与健康管理）的学生，还是正在寻找可靠基准数据集的工程师，相信这篇内容都能让你少走弯路，直接上手。

这份数据的核心价值在于其“变工况”特性。现实中的机械设备，比如风力发电机的主轴轴承、高铁的牵引电机轴承，很少永远在同一个转速和负载下运行。转速、负载的变化会显著改变振动信号的特性，这给故障特征的提取和识别带来了巨大挑战。而渥太华大学的这份数据，恰好系统地模拟了这种变化，为我们研究如何让诊断模型在多变环境下依然稳定可靠，提供了一个绝佳的试验场。接下来，我们就深入数据内部，看看它到底藏着哪些秘密，以及如何一步步把这些秘密转化为实际的诊断能力。

2. 数据深度解析：不只是振动信号

很多人拿到数据，可能直接就开始用深度学习模型“硬怼”，指望模型自己从原始信号里学到特征。但对于这种经典的、结构清晰的基准数据，我更推荐先花时间彻底理解它的设计逻辑和物理意义，这能帮你后续设计出更合理的特征，甚至发现现有公开数据描述中可能遗漏的细节。

2.1 数据来源与实验台架还原

这份数据来源于加拿大渥太华大学机械工程系的一个公开实验项目。其核心实验台架是一个典型的“电机-联轴器-轴承座-负载”结构。驱动电机通过弹性联轴器带动一根主轴旋转，主轴上安装着待测试的轴承，轴承座固定在基座上，并通过皮带或另一个联轴器连接一个可调的负载（如磁粉制动器），用以模拟不同的扭矩。

实验所用的轴承是深沟球轴承，型号通常是6205或类似规格。故障是通过精密加工手段人为引入的，主要包括三种经典类型：

1. 内圈故障：在内圈滚道上加工一个单点缺陷（如电火花加工的小坑）。
2. 外圈故障：在外圈滚道上加工一个单点缺陷。这里有个关键细节：外圈故障的位置是固定的，由于轴承外圈静止，这个缺陷相对于振动传感器的位置是不变的，其振动信号会呈现明显的周期性冲击。
3. 滚动体故障：在其中一个滚动体上加工缺陷。滚动体故障的信号传递路径更复杂，冲击周期与轴承的通过频率有关。

数据采集系统通常包括：

• 振动加速度传感器：安装在轴承座径向（水平和垂直方向），采样频率通常设置为12.8 kHz或25.6 kHz，这个频率足以捕捉轴承故障引发的高频共振。
• 转速计：用于精确测量主轴转速。
• 数据采集卡：将模拟信号转换为数字信号。

理解这个物理背景至关重要。例如，采样频率决定了你能分析的最高频率（奈奎斯特频率），轴承的几何参数（节径、滚珠数、接触角）直接决定了计算故障特征频率（如内圈故障频率BPFI、外圈故障频率BPFO、滚动体故障频率BSF）的公式。这些频率是你后续进行特征提取（如包络分析）的“导航图”。

2.2 “变工况”的具体内涵与数据组织

“变工况”是这份数据的灵魂。它并不是随意变化，而是有控制、有规划地改变两个关键运行参数：

1. 转速：例如，从每分钟1200转（RPM）到1800转，以固定步长（如100 RPM）递增。
2. 负载：对应电机的输出扭矩，从0牛米（空载）到某个额定值（如1牛米）变化。

每一组具体的“转速-负载”组合，就定义了一个独立的“工况”。数据集通常按工况组织文件夹，每个文件夹内包含多个数据文件，对应在该工况下采集的若干段时序数据。

数据文件格式多为.mat（MATLAB格式），用Python的scipy.io库可以轻松读取。一个典型的数据文件里可能包含以下变量：

• vibration_signal: 振动加速度时序数据，一维数组，长度可能为几十万到上百万点。
• rpm: 该段数据采集时的实际转速值。
• load: 施加的负载值。
• fault_type: 故障类型标签（如‘Healthy’， ‘IF’（内圈故障）， ‘OF’（外圈故障）， ‘BF’（滚动体故障））。
• fault_size: 故障尺寸（如直径0.2毫米），这对于研究故障演化很有用。

注意：不同版本或子集的数据命名和结构可能有细微差别。务必首先仔细阅读数据附带的readme.txt或相关文献，确认标签编码方式和数据组织逻辑。我曾遇到过同一个标签‘1’在不同文件里代表不同故障类型的情况，如果不加核实，整个模型训练就全错了。

3. 核心处理流程：从原始信号到特征矩阵

有了对数据的深刻理解，我们就可以开始构建标准化的处理流水线了。这个流程的目标是将一段段冗长的原始振动信号，转化为一张规整的、富含信息的“特征表格”，供机器学习模型使用。

3.1 数据读取与标准化预处理

第一步是批量读取数据，并统一格式。我习惯使用Python的glob和scipy.io模块。

import numpy as np import scipy.io as sio from glob import glob import pandas as pd # 假设数据按工况文件夹组织 base_path = './Ottawa_Bearing_Data/' # 获取所有.mat文件路径 file_paths = glob(base_path + '**/*.mat', recursive=True) all_data = [] for fp in file_paths: mat_data = sio.loadmat(fp) # 根据实际变量名提取，这里为示例 signal = mat_data['vibration_signal'].flatten() # 确保是一维 rpm = mat_data['rpm'][0,0] load = mat_data['load'][0,0] fault = mat_data['fault_type'][0] # 可能是字符串或数字编码 # 将信号、标签、工况信息存入字典 all_data.append({ 'signal': signal, 'rpm': rpm, 'load': load, 'fault_label': fault, 'file_path': fp })

预处理的关键步骤：

• 去趋势：使用scipy.signal.detrend移除信号中可能存在的线性或缓慢变化的趋势项，防止其干扰后续频域分析。
• 归一化：通常进行标准化（减均值除以标准差），使不同工况、不同传感器量级的数据具有可比性。注意，这里是对每一段完整的信号单独进行标准化，而不是全局标准化。

  from scipy import signal # 去趋势 signal_detrended = signal.detrend(sample['signal']) # 标准化 signal_normalized = (signal_detrended - np.mean(signal_detrended)) / np.std(signal_detrended)

• 重采样（可选）：如果不同文件的采样频率不一致，需要重采样到同一频率。

3.2 时域、频域及时频域特征工程

这是最核心的部分。我们不能直接把长达几十万点的原始信号扔给模型（虽然深度学习可以，但效率低且需要大量数据）。我们需要从中提炼出能表征轴承状态的关键“指纹”，即特征。

3.2.1 时域统计特征直接从振幅随时间变化的波形中提取，计算简单，物理意义明确。常用特征包括：

• 有量纲指标：均值、均方根值（RMS，反映振动能量）、峰值、峰峰值、偏度（波形不对称性）、峭度（冲击特性敏感度）。
• 无量纲指标：波形因子、峰值因子、脉冲因子、裕度因子。这些因子对早期故障的冲击成分非常敏感，尤其是峭度和峰值因子，在轴承出现局部损伤时通常会显著升高。

3.2.2 频域特征通过快速傅里叶变换（FFT）将信号转换到频率域，观察能量在不同频率上的分布。关键步骤：

1. 对预处理后的信号进行FFT，得到频谱。
2. 计算故障特征频率（BPFI， BPFO， BSF等）。这里需要轴承几何参数和当前转速。例如，内圈故障频率计算公式为：BPFI = (n/2) * rpm/60 * (1 + (d/D)*cosα)，其中n是滚珠数，d是滚珠直径，D是节径，α是接触角。
3. 提取频域特征：如频谱重心、均方频率、频率方差，以及在故障特征频率及其谐波附近的幅值能量。可以计算以理论故障频率为中心，左右扩展几个边频带内的能量和作为特征。

3.2.3 时频域特征（应对非平稳信号）变工况下，信号是非平稳的（统计特性随时间变化），单纯的频域分析会模糊故障信息。这时需要时频分析工具：

• 短时傅里叶变换：简单直观，但分辨率固定。
• 小波包变换：我强烈推荐的方法。它能将信号分解到不同层次、不同频率的子带中，然后提取每个子带的能量作为特征。这相当于同时从多个“分辨率窗口”观察信号，对捕捉瞬态冲击非常有效。

  import pywt # 进行3层小波包分解，使用‘db4’小波 wp = pywt.WaveletPacket(data=signal_normalized, wavelet='db4', mode='symmetric', maxlevel=3) # 获取第3层所有节点（子带）的名称，如‘aaa’， ‘aad’， ... ‘ddd’ nodes = [node.path for node in wp.get_level(3, ‘natural’)] # 计算每个子带的能量 features = [] for node in nodes: subband_signal = wp[node].data energy = np.sum(subband_signal**2) features.append(energy) # 可以将能量归一化为概率分布，作为特征向量 features = np.array(features) features = features / np.sum(features)

3.2.4 特征构造与选择将上述时域、频域、时频域特征拼接成一个长特征向量（可能多达几百维）。接下来面临特征选择问题：

1. 过滤法：计算每个特征与故障标签之间的相关性（如互信息、方差分析F值），保留排名靠前的特征。
2. 包裹法：使用递归特征消除（RFE），结合一个基模型（如SVM），迭代地剔除最不重要的特征。
3. 嵌入法：使用L1正则化的模型（如Lasso回归、逻辑回归），训练后权重为零的特征即被淘汰。

我的经验是，对于轴承数据，峭度、峰值因子、小波包能量熵、以及故障频率谐波能量这些特征通常都具有较高的区分度。可以先使用过滤法进行粗筛，再用包裹法或嵌入法进行精炼。

3.3 数据切片与数据集构建策略

原始信号很长，我们需要将其切分成更短的样本，以增加样本数量。这里有几个关键决策点：

• 样本长度：太短可能包含不了一个完整的故障冲击周期，太长则样本数少且可能包含多个工况过渡期。一个实用的方法是根据最低转速下的故障周期来定。例如，最低转速1200 RPM，对应的内圈故障频率大约为100 Hz，那么周期就是0.01秒。采样频率12.8 kHz，那么一个周期对应128个点。通常取2-10个周期的长度作为一个样本，比如1024点（约0.08秒）或2048点。
• 切片方式：可以连续不重叠切片（样本数少），也可以重叠切片（如50%重叠，样本数几乎翻倍，有助于缓解过拟合）。对于变工况数据，要确保单个样本切片内，工况（转速、负载）是基本稳定的。
• 数据集划分：绝对不能随机打乱所有样本后划分！因为同一工况下的多个切片是高度相关的。正确的做法是按“工况块”或“原始文件”进行划分。例如，将70%的工况文件夹下的所有样本作为训练集，剩下30%的工况作为测试集。这样才能真实评估模型在未曾见过的运行条件下的泛化能力，这也是变工况诊断的核心挑战。

最终，我们得到一个特征矩阵X，其形状为(n_samples, n_features)，以及对应的标签向量y和工况信息向量condition。数据集就准备好了。

4. 诊断模型构建与变工况适应策略

有了高质量的特征，我们就可以构建诊断模型了。这里我们讨论两种主流路线：传统机器学习模型和深度学习模型，并重点阐述如何让它们适应“变工况”。

4.1 基于特征工程的机器学习模型

这条路线清晰、可解释性强，计算成本低。常用模型包括：

• 支持向量机：在小样本、高维特征上表现优异，核函数（如RBF）能处理非线性分类问题。
• 随机森林：集成学习，能自动评估特征重要性，对异常值和过拟合相对鲁棒。
• 梯度提升树：如XGBoost、LightGBM，精度通常很高，是竞赛和工业界的常客。

针对变工况的适配技巧：

1. 将工况参数作为特征：最简单直接的方法。将转速(rpm)和负载(load)也作为两个额外的特征，与振动特征一起输入模型。这样模型在学习故障模式时，会同时学习这些模式随工况变化的规律。注意：需要对转速和负载进行标准化，使其量纲和数值范围与其他特征匹配。
2. 工况归一化：尝试在特征提取阶段消除工况影响。例如，有研究通过转速对振动信号进行“重采样”到同一标称转速下，再进行特征提取。但这种方法对负载变化不敏感，且假设线性关系，在实际中效果有限。
3. 领域自适应：这是更高级的方法。将源工况（训练集）的知识迁移到目标工况（测试集）。你可以使用一些领域自适应算法（如TCA， CORAL）来对齐不同工况下的特征分布，或者使用对抗性训练让特征提取器学习到“工况不变”的故障特征。

一个结合了工况参数的Scikit-learn pipeline示例：

from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler from sklearn.svm import SVC from sklearn.model_selection import GroupShuffleSplit from sklearn.metrics import classification_report # 假设 X 是特征矩阵， y是标签， groups是样本所属的原始文件ID（用于分组划分） gss = GroupShuffleSplit(n_splits=1, test_size=0.3, random_state=42) train_idx, test_idx = next(gss.split(X, y, groups)) X_train, X_test = X[train_idx], X[test_idx] y_train, y_test = y[train_idx], y[test_idx] # 构建管道：标准化 -> SVM pipe = Pipeline([ (‘scaler‘， StandardScaler()), (‘svm‘， SVC(kernel=‘rbf‘， C=10, gamma=‘auto‘， probability=True)) ]) pipe.fit(X_train, y_train) y_pred = pipe.predict(X_test) print(classification_report(y_test, y_pred))

4.2 基于深度学习的端到端模型

深度学习模型，特别是一维卷积神经网络，可以直接从原始振动信号或简单的FFT频谱中学习特征，省去了复杂的手工特征工程。

网络结构设计要点：

• 输入层：接受固定长度（如1024点）的原始振动信号切片。
• 卷积层：使用一维卷积核，在时间维度上进行滑动，自动提取局部模式。第一层卷积核可以设计得宽一些，以捕捉可能的冲击波形。
• 池化层：降低维度，增加平移不变性。
• 深度结构：堆叠多个“卷积-池化”块，以提取更深层、更抽象的特征。
• 全连接层：在卷积层之后，用于综合所有高级特征并进行分类。

让CNN适应变工况：

1. 数据增强：在训练时，对输入信号进行小幅度的缩放（模拟转速微小变化）、添加噪声、进行小幅时移，可以增强模型对工况波动的鲁棒性。
2. 多任务学习：让网络同时学习两个任务：主任务是故障分类，辅助任务是工况回归（预测转速或负载）。网络中间的共享层会被迫学习既对故障敏感、又与工况解耦的表示。这是一种非常有效的隐式领域自适应方法。
3. 注意力机制：引入注意力模块，让网络学会关注信号中与故障最相关的部分（如冲击发生的时刻），而不是被强烈的背景噪声或工况变化带来的整体能量变化所干扰。

一个简单的1D CNN示例（使用PyTorch）：

import torch import torch.nn as nn import torch.nn.functional as F class BearingCNN1D(nn.Module): def __init__(self, num_classes=4): super(BearingCNN1D, self).__init__() self.conv1 = nn.Conv1d(in_channels=1, out_channels=16, kernel_size=64, padding=32) self.bn1 = nn.BatchNorm1d(16) self.pool1 = nn.MaxPool1d(kernel_size=4) self.conv2 = nn.Conv1d(16, 32, kernel_size=3, padding=1) self.bn2 = nn.BatchNorm1d(32) self.pool2 = nn.MaxPool1d(2) self.conv3 = nn.Conv1d(32, 64, kernel_size=3, padding=1) self.bn3 = nn.BatchNorm1d(64) self.pool3 = nn.MaxPool1d(2) # 需要根据输入长度计算这里展平后的尺寸 self.flatten_size = 64 * (1024 // (4*2*2)) # 假设输入1024点 self.fc1 = nn.Linear(self.flatten_size, 128) self.dropout = nn.Dropout(0.5) self.fc2 = nn.Linear(128, num_classes) def forward(self, x): x = x.unsqueeze(1) # (batch, 1, seq_len) x = self.pool1(F.relu(self.bn1(self.conv1(x)))) x = self.pool2(F.relu(self.bn2(self.conv2(x)))) x = self.pool3(F.relu(self.bn3(self.conv3(x)))) x = x.view(x.size(0), -1) x = F.relu(self.fc1(x)) x = self.dropout(x) x = self.fc2(x) return x

4.3 模型评估与对比

在变工况诊断任务中，评估指标不能只看整体准确率。必须进行更细致的分析：

1. 整体性能：准确率、精确率、召回率、F1-score（宏平均）。
2. 跨工况性能：制作一个混淆矩阵热力图，行是真实工况，列是预测结果。观察模型在哪些工况下表现好，哪些工况下容易混淆。特别是健康状态与早期故障的区分度。
3. 可视化分析：使用t-SNE或UMAP将高维特征（无论是手工特征还是CNN最后一层隐藏层的输出）降维到2D或3D进行可视化。理想情况下，同一类故障的不同工况样本应该在特征空间里聚在一起，而不同故障的簇应该分开。如果同一故障的样本因工况不同而分散，说明模型没有学好工况不变的特征。

根据我的实践经验，在数据量充足且特征工程得当时，XGBoost/LightGBM这类梯度提升树模型往往能取得非常稳定且优异的成绩，它们对特征间的复杂交互关系捕捉能力强。而1D CNN在数据量巨大、且希望实现完全端到端自动化时更有优势，但其可解释性较差，且对超参数和网络结构更敏感。

5. 实操挑战与问题排查实录

理论很美好，但实操中总会遇到各种问题。下面是我在处理这份数据，以及类似工业振动数据时，总结出的常见“坑”和解决方法。

5.1 数据层面的典型问题

问题1：标签混乱或缺失。

• 现象：加载数据后，发现故障类型标签是数字（如0，1，2，3），但没有说明文档对应关系；或者不同子数据集的编码方式不同。
• 排查：首先回溯数据来源的官方网站或原始论文，查找数据字典。其次，可以通过可视化信号波形和频谱进行人工推断。健康信号频谱线较少，能量集中在转频及其倍频；故障信号（尤其是外圈故障）频谱中会出现明显的故障特征频率及其谐波。
• 解决：建立自己的标签映射字典，并在代码中统一转换。将所有数据集的标签系统标准化。

问题2：信号中存在强烈的非故障周期性干扰。

• 现象：频谱中除了转频和故障频率，在某个固定频率（如电源频率50/60Hz或其倍频）处有很高的峰值，这可能是电机电磁干扰或电网干扰。
• 解决：考虑使用陷波滤波器滤除特定的工频干扰。但需谨慎，避免滤除与故障频率相近的成分。

问题3：样本不平衡。

• 现象：健康状态的数据远多于各种故障状态的数据，导致模型倾向于预测健康状态。
• 解决：
  • 上采样：对少数类样本进行过采样（如SMOTE算法），但注意SMOTE用于时序数据可能生成不真实的样本。
  • 下采样：随机丢弃一部分多数类样本。
  • 类别权重：在训练模型时，为损失函数中的不同类别设置更高的权重（如class_weight=‘balanced‘in sklearn）。

5.2 特征工程与模型训练中的问题

问题4：特征维度灾难，模型过拟合。

• 现象：手工提取了上百个特征，在训练集上准确率接近100%，但在测试集（尤其是新工况）上表现很差。
• 排查：观察训练损失和验证损失曲线，如果训练损失持续下降而验证损失早早就开始上升，就是典型的过拟合。
• 解决：
  1. 严格的特征选择：使用前面提到的过滤法、包裹法，将特征数量降至20-30个核心特征。
  2. 正则化：在模型中加入L1或L2正则化项（如SVM的C参数，线性模型的alpha参数）。
  3. 简化模型：使用更简单的模型（如线性SVM代替RBF SVM，或减少树的深度）。
  4. 更多的数据：通过重叠切片增加训练样本量。

问题5：模型在新工况下泛化能力极差。

• 现象：在训练集涵盖的工况上表现完美，但一旦遇到转速/负载组合完全不同的测试工况，准确率骤降。
• 解决：这触及了变工况诊断的核心。除了前述的“将工况作为特征”、“领域自适应”、“多任务学习”等方法外，一个务实的策略是：
  • 在训练集中尽可能覆盖更广的工况范围。即使不能覆盖所有，也要覆盖转速和负载的主要变化区间。
  • 采用“留出工况”的验证方法。在调参时，就模拟最终测试环境：从训练集中再留出一部分工况作为验证集，确保调出的超参数是针对“未知工况”泛化能力最优的，而不是针对已知工况记忆能力最强的。

问题6：深度学习模型训练不稳定或收敛慢。

• 现象：1D CNN训练时损失震荡，或者准确率提升很慢。
• 解决：
  1. 数据标准化：确保输入网络的信号切片已经过标准化（零均值，单位方差）。
  2. 批归一化：在网络中使用BatchNorm层（如上文示例），它可以稳定训练过程，允许使用更大的学习率。
  3. 学习率调度：使用学习率衰减策略，如ReduceLROnPlateau（当验证损失不再下降时降低学习率）。
  4. 梯度裁剪：防止梯度爆炸，特别是在RNN或较深的网络中。

5.3 一份快速自查清单

当你模型效果不佳时，可以按以下顺序排查：

处理这份“加拿大渥太华大学变工况轴承振动数据”的完整过程，实际上是一个经典的工业数据分析与机器学习应用范本。它教会我们的不仅仅是几个信号处理或模型调参的技巧，更重要的是一种系统性的工程思维：从理解物理背景开始，到设计可靠的数据处理流水线，构建具有泛化能力的特征，选择并适配合适的模型，最后进行严谨的、面向实际应用的评估。这份数据就像一块“磨刀石”，把这些流程走通、走扎实了，当你面对自己项目中更复杂、更嘈杂的工业现场数据时，才会更有底气。最后一个小建议，把所有处理步骤，从数据读取到模型评估，都封装成模块化的函数或类，并做好详细的注释和日志记录，这会让你和你的团队在未来复用和迭代时事半功倍。