算法基础应用精讲【数模应用】-【小波包能量谱 + 原型网络】基于增强EWPT特征和CNN-LSTM原型网络的滚动轴承故障诊断（PyTorch完整实现）
目录
一、引言
1.1 研究背景与意义
1.2 核心方法优势
1.3 实验环境与数据集说明
1.3.1 实验环境配置
1.3.2 数据集说明
二、核心理论基础
2.1 经验小波包变换（EWPT）原理
2.1.1 EWPT的核心思想
2.1.2 EWPT分解步骤
2.1.3 小波包能量计算方法
2.2 特征增强策略
2.2.1 归一化处理
2.2.2 特征去噪
2.2.3 特征融合
2.3 CNN-LSTM原型网络原理
2.3.1 原型网络（Prototype Network）核心思想
2.3.2 CNN-LSTM特征提取模块
2.3.3 CNN-LSTM原型网络整体结构
2.3.4 损失函数设计
三、完整代码实现（PyTorch）
3.1 代码整体结构
3.2 完整可运行代码（分小节）
小节1：导入依赖库与参数配置
小节2：数据读取与预处理（CWRU数据集）
小节3：EWPT特征提取与时域特征提取
小节4：特征增强与数据划分
小节5：CNN-LSTM原型网络构建
小节6：损失函数、优化器与模型训练
小节7：模型测试与结果可视化
小节8：模型调用示例与常见问题排查
一、引言
1.1 研究背景与意义
滚动轴承是旋转机械（如电机、风机、机床）的核心零部件，其运行状态直接决定设备的可靠性和安全性。在长期高负荷、高速运转过程中，滚动轴承易出现内圈磨损、外圈磨损、滚动体磨损、保持架故障等典型故障，若未能及时诊断，可能导致设备停机、生产中断，甚至引发安全事故。
传统滚动轴承故障诊断方法（如振动信号时域分析、频域分析）存在明显局限性：时域分析易受噪声干扰，难以提取故障特征；频域分析（如傅里叶变换）无法捕捉非平稳振动信号的瞬时特征，而滚动轴承故障振动信号多为非平稳、非线性信号，且故障初期特征微弱，易被背景噪声淹没。
为解决上述问题，本文提出一种基于增强EWPT（Empirical Wavelet Packet Transform，经验小波包变换）特征和CNN-LSTM原型网络的滚动轴承故障诊断方法：通过EWPT对振动信号进行分解，提取小波包能量谱作为初始特征，结合特征增强策略提升故障特征的区分度；构建CNN-LSTM原型网络，融合卷