kang20224

不要在面包多直接拍

基于物理信息机器学习的多模态特征融合滚动轴承故障诊断（Pytorch）

滚动轴承作为旋转机械的关键部件，健康状态直接影响设备运行安全。传统故障诊断方法依赖人工特征提取与浅层分类器，难以有效捕捉振动信号中蕴含的多尺度、多模态故障信息。近年来，物理信息机器学习（Physics-Informed Machine Learning, PiML）将系统动力学机理与数据驱动方法相结合，通过嵌入故障频率、能量衰减等先验知识，显著提升了特征的可解释性与诊断精度。

提出一种基于时域统计、动态模态分解及物理启发特征的轴承故障诊断框架，首先对原始振动信号进行重叠滑动窗口切分，并基于训练集进行标准化；随后提取时域统计量（均方根、峭度、偏度等）、利用总最小二乘动态模态分解获得前4阶复特征值作为动态特征，并计算故障特征频率（BPFI、BPFO、BSF）附近的包络谱能量及包络指数衰减常数作为物理启发特征，共同构建17维特征向量；最后采用随机森林作为分类器，并基于GroupKFold交叉验证与标签噪声注入评估模型泛化能力。在凯斯西储大学轴承数据集上的实验结果表明，该方法在测试集上达到100%的准确率，5折交叉验证平均准确率为98.80%，充分验证了物理信息特征与多模态融合的有效性。

算法步骤

数据预处理 对原始振动信号进行重叠滑动窗口切分，窗口长度2048点，步长512点（75%重叠），以扩充样本数量；基于训练集统计量（均值和标准差）对训练集、验证集及测试集分别进行Z-score标准化，避免数据泄露。

时域统计特征提取 对每个样本计算均方根值、峭度、偏度、峰峰值及波形因子，作为基础的统计特征，反映信号的能量、非高斯性及冲击强度。

动态模态分解特征提取 构造Hankel矩阵（嵌入维度50）并进行总最小二乘动态模态分解，截断阶数取8；提取前四阶模态对应的复特征值（实部与虚部共8维），表征系统的内在动态演化特性。

物理启发特征提取 计算Hilbert包络谱，在滚动体、内圈、外圈故障特征频率（基于转频1797 Hz计算）±5 Hz频带内积分得到能量特征；对包络信号进行峰值检测，利用指数衰减模型拟合冲击衰减过程，获得衰减常数作为物理约束特征，共4维。

特征融合与分类器训练 将上述17维特征拼接后，采用随机森林（200棵树，最大深度9，最小叶子样本4等）作为分类器，在训练集上训练，并在验证集上调优超参数。

模型评估与鲁棒性验证 在测试集上计算准确率、精确率、召回率及F1分数；采用GroupKFold（5折）交叉验证评估泛化能力；人为注入1.5%的标签噪声以模拟真实工业环境中的标注误差。

特征可视化与解释性分析 利用t-SNE与PCA对特征进行降维可视化，绘制特征重要性、混淆矩阵、ROC曲线及学习曲线，从多角度验证物理信息特征的可分性与模型稳定性。

创作时间：