手把手教你：基于深度学习的滚动轴承故障诊断（2026 修订版）

本文是《滚动轴承故障诊断》系列的第 1 篇（总览）。 系列完整目录见文末【专栏导航】。本文配套代码与分步操作手册见公众号「免费代码合集」菜单。

一、项目简介

本文介绍如何使用 Python 搭建一个基于深度学习的滚动轴承故障诊断系统

。

系统对轴承的 4 种状态做自动分类：

  • 正常
  • 内圈故障
  • 滚动体故障
  • 外圈故障

项目中使用了三种方法对比检测结果，这也是毕设论文中最需要的一组"对比实验"：

方法 类型 测试集准确率
随机森林 传统机器学习 约 73%
1D-CNN 深度学习 约 83%
CNN + 残差模块（ResNet） 深度学习（推荐） 95%+

三个模型用同一份数据、同一套切分方式训练，结论可直接写进论文实验章节。

如需更换自己的训练数据，只需要把数据文件按目录放好，所有代码无需改动即可直接运行。

二、数据介绍

本项目使用凯斯西储大学（Case Western Reserve University，CWRU）轴承数据中心的开源公开数据集

——这也是全世界故障诊断研究最常用的入门数据集，引用进论文无版权风险。

数据为 Matlab 格式（.mat），每个文件包含风扇端和驱动端振动数据以及电机转速。文件中的变量名含义：

  • DE —— 驱动端加速度计数据
  • FE —— 风扇端加速度计数据
  • BA —— 基础加速度计数据
  • RPM —— 测试期间的转速

对四类状态各取一个文件绘制波形，可以直观看到：不同故障之间、故障与正常之间，数据分布都存在明显差异

——这正是"可以用分类模型来做诊断"的物理依据。

三、数据预处理

原始信号是"一整条很长的时间序列"，而分类模型需要的是"一条条样本"。预处理做三件事：

  1. 归一化：把 DE、FE 两路信号的幅值都压到 0~1，消除不同转速、负载带来的幅值差异；
  2. 构造双通道：把驱动端（DE）和风扇端（FE）信号配成对，每条样本形状为 1000 点 × 2 通道——双通道信息互补，比单通道更稳；
  3. 滑窗切分 + 类别均衡：每 1000 个点切出一条样本，每类采样固定数量，最终得到：
类别 样本数
正常 1400
内圈故障 1400
滚动体故障 1400
外圈故障 1400
合计 5600

处理后的数据保存为 train_data.npy（5600, 1000, 2）和 label.npy（5600,），后续三个模型都从这两个文件读取——预处理一次，三模型通用

。

四、模型设计与对比结果

4.1 随机森林（传统基线）

把每条 1000×2 的样本"拍平"成 2000 维特征向量，直接喂给随机森林（50 棵树，深度 5）。 它不需要训练轮次、跑得最快，作为论文里的"传统方法对照组"非常合适。

4.2 1D-CNN（深度学习基线）

一维卷积神经网络：卷积核沿时间轴滑动，自动从波形中提取局部模式（比如故障冲击的形状），替代人工特征工程。

结构很简洁：Conv1D(64) → MaxPooling → 全局平均池化 → Dense(32) → Dropout → softmax(4)

。

实测准确率约 83%，且"内圈故障"一类的召回率明显偏低——误分集中发生在内圈与滚动体之间。这个"缺陷"恰好是第 6 篇文章的主角：它证明了简单浅层网络的特征提取能力不够

。

4.3 CNN + 残差模块（ResNet，推荐模型）

在 CNN 基础上加入 5 个残差块（ResBlock）

。每个残差块内部的连接方式是：

输出 = F(x) + x      # F 是两层卷积，x 是块的输入（捷径直接跳过来）

这条"捷径"让损失梯度可以无损地传回浅层，深层网络因此训得动、不退化——这是 ResNet 论文（He et al., 2015）的核心思想，也是本项目准确率从 83% 提升到 95%+ 的关键。

4.4 三模型对比总结

模型 准确率 论文话术
随机森林 ~73% 传统人工特征路线的上限
1D-CNN 83% 浅层网络对内圈/滚动体故障区分不足
CNN+ResNet 95%+ 残差连接增强深层特征表达，四类召回均衡

三个模型各自的完整分类报告（precision / recall / f1）和混淆矩阵图，运行配套评估脚本可一键生成，直接贴论文。

五、配套代码与资源

本系列文章走"文章讲思路、资源包管操作

"的路线，内容互不重复：

  • 每一步的安装命令、运行步骤、常见报错解决：见公众号菜单「免费代码合集」（按章节拆好：环境部署 / 数据下载 / 预处理 / 三模型训练 / 评估出图 / 可视化界面 / 论文模板）；
  • 完整代码合集（含 CWRU 数据、已训练模型、TensorBoard 日志、全部结果截图）：CSDN 下载频道付费资源，已购本专栏的同学在微信公众号免费领取完整代码；
  • 本专栏后续 8 篇文章将逐模块逐行讲透：环境部署 → 数据集深度解析 → 预处理源码走读 → 随机森林 → CNN 与残差原理 → 训练与评估 → 可视化界面 → 论文与答辩。

六、专栏导航

篇次 主题 状态
1 项目总览与三模型对比（本文） ✅
2 环境部署：Anaconda + TensorFlow 2.x 全流程 编写中
3 CWRU 数据集深度解析与波形可视化 排期中
4 数据预处理源码走读：从 .mat 到 npy 排期中
5 随机森林：传统基线的取舍 排期中
6 一维卷积与残差模块：83% 到 95% 的原理拆解 排期中
7 训练与评估：复现全部实验结果 排期中
8 可视化界面：PyQt5 搭建诊断工具 排期中
9 从代码到毕设：论文框架与答辩话术 排期中

下一篇预告

：《环境部署：从零搭好能跑深度学习的 Python 环境（CPU 版）》，零基础 30 分钟完成，含常见安装报错速查。

版权说明：CWRU 数据集版权归凯斯西储大学所有，仅限学习研究使用；本文代码与文字为本人原创，付费专栏读者可学习使用，禁止转售。