以角域重采样和阶次分析为核心，通过将时域振动信号转换为转速不变的阶次域表示，消除了转速波动对故障诊断的影响；结合希尔伯特包络分析增强周期性冲击特征，并利用一维CNN进行多类别故障分类；还引入了Grad-CAM可解释性分析，生成注意力热力图直观展示模型决策依据，实现了从数据预处理、特征提取、模型训练到可视化解释的完整端到端智能诊断流程，提升了轴承等旋转机械故障诊断的准确性、鲁棒性和可解释性。
算法步骤
1. 数据加载与预处理
加载CWRU轴承振动数据集
提取转速信息并计算旋转频率
故障类型自动识别与标签编码
2. 角域重采样
将时域信号从时间域转换到角度域
基于转速进行线性插值，实现均匀角度采样
消除转速波动对分析结果的影响
3. 包络分析
应用希尔伯特变换提取信号包络
增强周期性冲击特征（轴承故障特征）
抑制非周期噪声干扰
4. 阶次谱生成
对角度域包络信号进行FFT变换
生成与转速无关的阶次谱（cycles/revolution）
实现故障特征的转速不变表示
5. 时-阶次谱分析
滑动窗口分段处理
对每个窗口进行阶次分析
生成阶次随时间演化的二维谱图
6. 深度学习分类
一维CNN提取深度特征
多类别故障分类（正常/内圈/外圈故障）
模型训练与优化
7. 可解释性可视化
Grad-CAM生成注意力热力图
可视化模型关注的关键特征区域
提供分类决策的直观解释
8. 结果评估与展示
自动峰值检测与标注
多视图可视化（时域、频域、阶次域）
故障诊断结果综合展示
class CWRUDataLoader: def __init__(self, base_path): """ 初始化CWRU数据加载器 Args: base_path (str): CWRU数据集根目录路径 """ self.base_path = Path(base_path) self.fs = 12000 # 采样频率12kHz self.n_rev = 64 # 每转采样点数 # 数据存储 self.X = None # 时域信号 self.Y = None # 故障标签 self.rpm = None # 转速（标量） self.filename = None # 文件名 # 故障类型映射字典 self.fault_types = { 'normal': 0, 'ball': 1, 'inner_race': 2, 'outer_race': 3 } def get_label_from_path(self, file_path: Path) -> int: """ 从文件路径中提取故障标签 Args: file_path (Path): 数据文件路径 Returns: int: 故障类型编码 (0-3) """ # 将路径转换为字符串 path_str = str(file_path) # 根据路径中的关键词判断故障类型 if 'Normal' in path_str or 'normal' in path_str: return self.fault_types['normal'] elif 'Ball' in path_str or 'B' in path_str or 'ball' in path_str: return self.fault_types['ball'] elif 'IR' in path_str or 'Inner' in path_str or 'inner' in path_str: return self.fault_types['inner_race'] elif 'OR' in path_str or 'Outer' in path_str or 'outer' in path_str: return self.fault_types['outer_race'] # 尝试从父目录名判断 parent_dir = file_path.parent.name if 'Normal' in parent_dir: return self.fault_types['normal'] elif 'B' in parent_dir: return self.fault_types['ball'] elif 'IR' in parent_dir: return self.fault_types['inner_race'] elif 'OR' in parent_dir: return self.fault_types['outer_race'] print(f"Warning: Could not determine fault type from path: {path_str}") return -1 # 未知类型 def extract_rpm_value(self, rpm_data): """ 从MATLAB加载的RPM数据中提取标量值 Args: rpm_data: 从MATLAB加载的RPM数据 Returns: float: RPM标量值 """ # 如果rpm_data是NumPy数组，提取标量值 if isinstance(rpm_data, np.ndarray): # 扁平化并取第一个元素 rpm_flat = rpm_data.flatten() if len(rpm_flat) > 0: return float(rpm_flat[0]) # 如果是列表或其他类型 if isinstance(rpm_data, (list, tuple)): if len(rpm_data) > 0: return float(rpm_data[0]) # 如果是标量 try: return float(rpm_data) except: print(f"Warning: Could not extract RPM value from: {rpm_data}") return 0.0 def import_cwru_data(self, file_keys: list): """ 加载CWRU数据集文件 Args: file_keys (list): 文件标识符列表 Returns: tuple: (X, Y) - 时域信号和故障标签 """ base_path_obj = Path(self.base_path) for key in file_keys: # 解析文件标识符（如"105DE" -> "105", "DE"） match = re.match(r'(\d+)(\w+)', key) if not match: print(f"Error: Invalid file key format: {key}") continue file_num_str, data_key = match.groups() # 查找匹配的MAT文件 glob_pattern = f'{file_num_str}_*.mat' found_files = list(base_path_obj.rglob(glob_pattern)) if not found_files: print(f"Error: No file found for pattern: {glob_pattern}") continue file_path = found_files[0] self.filename = file_path.name # 设置文件名 print(f"Loading file: {self.filename}") # 加载MATLAB数据 mat_data = loadmat(file_path) # 提取故障标签 label = self.get_label_from_path(file_path) # 查找RPM和信号数据键 rpm_key = None mat_key = None for key_name in mat_data.keys(): if not key_name.startswith('__'): # 跳过MATLAB元数据 if "RPM" in key_name.upper(): rpm_key = key_name elif data_key in key_name: mat_key = key_name if rpm_key is None: print(f"Warning: No RPM data found in {self.filename}") rpm_value = 0.0 else: # 提取RPM标量值 rpm_value = self.extract_rpm_value(mat_data[rpm_key]) if mat_key is None: print(f"Error: No data found for key '{data_key}' in {self.filename}") continue # 提取时域信号 time_series = mat_data[mat_key].flatten() # 存储数据 self.rpm = rpm_value self.X = np.array(time_series) self.Y = label # 打印加载信息 print(f"Loaded {len(self.X)} samples from '{self.filename}'") print(f"RPM: {self.rpm}, Label: {self.Y}") return self.X, self.Y return None, None参考文章：
OrderCam-Diag：基于阶次分析和类激活映射的旋转机械可解释故障诊断（Python） - 哥廷根数学学派的文章
https://zhuanlan.zhihu.com/p/2002062403219763577
担任《Mechanical System and Signal Processing》《中国电机工程学报》《宇航学报》《控制与决策》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测。
