故障诊断系统是一个集成了信号分析、深度学习模型和可视化功能的综合平台，专门设计用于机械设备（特别是轴承）的故障检测与诊断。该系统基于Python开发，采用直观的图形用户界面，使研究人员和工程师能够轻松进行振动信号分析和故障分类。效果链接：

https://www.bilibili.com/video/BV1MXnJz3ErD/

核心功能模块

1. 时域分析模块

时域分析模块提供了对振动信号的基本特征提取和可视化功能：

主要特性：

• 支持.mat格式的CWRU轴承数据集文件加载

• 自动识别信号变量（驱动端、风扇端或基座信号）

• 时域波形可视化，横轴为时间（秒），纵轴为振幅

• 11项关键时域指标计算：

  • 基础统计量：平均值、峰值、有效值(RMS)、方差、标准差

  • 故障敏感指标：峰值因子、峭度、歪度

  • 形态特征指标：脉冲因子、裕度因子、波形因子

技术优势：

• 自动变量名匹配，兼容CWRU数据集不同信号类型

• 实时计算与显示，结果精确到6位小数

• 专业级图表展示，支持网格线和自定义样式

2. 故障诊断模型模块

该模块集成了三种先进的深度学习模型，用于轴承故障的自动分类：

支持的模型架构：

CNN（卷积神经网络）

• 专为振动信号设计的1D卷积结构

• 四层卷积+池化，逐步提取特征

• 批量归一化和dropout层防止过拟合

• 适合捕捉局部冲击特征

MLP（多层感知器）

• 传统前馈神经网络

• 四层全连接结构，逐步降维

• 适用于基础分类任务，训练速度快

CNN-LSTM混合模型（新增）

• 结合CNN的局部特征提取和LSTM的时序依赖捕捉

• 三层CNN提取空间特征，两层LSTM分析时间序列

• 特别适合振动信号中的周期性故障模式识别

模型训练与评估：

• 支持四种不同转速工况的数据集（1797/1772/1750/1730rpm）

• 可自定义训练参数：轮次、批次大小、测试集比例

• 实时训练进度监控

• 综合评估指标：准确率曲线、损失曲线、混淆矩阵、t-SNE特征可视化

3. 使用说明模块

提供详细的系统操作指南和技术说明，包括：

• 各功能模块的使用步骤

• 模型原理和适用场景介绍

• 数据集格式和结构说明

• 常见问题解答

技术特点

数据处理能力

• 自动加载和预处理CWRU轴承数据集

• 信号分段处理（1024样本/段，步长800）

• 独热编码标签处理，支持10类故障分类

• 训练/测试集智能划分，保持类别分布

用户界面设计

• 直观的三模块布局，导航清晰

• 响应式设计，支持窗口缩放

• 专业配色方案，提升用户体验

• 实时状态提示和错误处理

可视化功能

• 多标签页结果展示

• 出版物质量的图表输出

• 交互式图表嵌入界面

• 多维度模型评估可视化

数据集支持

系统专门优化用于凯斯西储大学（CWRU）轴承故障数据集：

• 采样率：12,000样本/秒

• 信号类型：驱动端(DE)、风扇端(FE)、基座(BA)振动信号

• 故障类别：正常状态、内圈故障、外圈故障、滚动体故障

• 多种故障尺寸和负载条件

系统要求与依赖

软件环境

• Python 3.7+

• TensorFlow 2.x

• 科学计算库：NumPy, SciPy, scikit-learn

• 可视化库：Matplotlib, Seaborn

• 界面库：Tkinter

硬件建议

• 内存：8GB+（用于深度学习训练）

• 存储：1GB+可用空间（用于数据集）

• GPU：可选（可加速模型训练）

应用场景

1. 工业 predictive maintenance：提前检测设备故障，减少停机时间

2. 学术研究：深度学习模型在故障诊断领域的应用研究

3. 教育培训：机械故障诊断的教学演示工具

4. 算法开发：新诊断算法的快速验证平台

使用流程

1. 数据准备：将CWRU数据集放置在程序目录下的./CWRU文件夹中

2. 信号分析：使用时域分析模块查看信号特征和指标

3. 模型训练：选择合适工况和模型架构，训练故障分类器

4. 结果评估：通过多种可视化工具分析模型性能

5. 实际应用：使用训练好的模型对新数据进行故障诊断

总结

故障诊断系统是一个功能完整、界面友好、技术先进的故障诊断平台，将传统的信号处理技术与现代深度学习方法相结合，为机械故障诊断提供了从基础分析到智能诊断的全套解决方案。系统的模块化设计使得它既适合初学者快速上手，也满足专业用户的高级需求。