别再只画折线图了！用Python把轴承振动数据变成‘图片’，喂给CNN做寿命预测（附完整代码）

轴承振动数据可视化与CNN寿命预测实战指南

在工业设备预测性维护领域，轴承的健康状态监测一直是个技术难点。传统方法往往依赖振动信号的时频域特征提取，再结合机器学习模型进行剩余使用寿命(RUL)预测。但这种方法存在特征工程复杂、信息丢失等问题。本文将介绍一种创新方法——将振动时序数据转化为图像，再利用卷积神经网络(CNN)进行端到端的寿命预测。

1. 为什么要把振动数据变成图像？

时序数据图像化处理在近年来逐渐成为预测性维护领域的新趋势。这种方法的优势主要体现在三个方面：

1. 保留完整时序特征：传统特征提取方法往往会丢失原始数据中的部分信息，而图像化转换可以完整保留时序数据的动态特性
2. 利用CNN的强大特征提取能力：CNN在图像处理领域已经证明其卓越的特征自动学习能力，特别擅长捕捉局部模式和空间关系
3. 可视化直观：图像形式更符合工程师的直觉，便于人工检查和模型解释

提示：格拉姆角场(GAF)转换特别适合周期性或准周期性信号，这正是轴承振动数据的典型特征

2. 数据预处理与降维技术

2.1 数据归一化处理

原始振动数据通常量纲不一，需要进行归一化处理。常用的归一化方法有两种：

# 方法1：(0,1)归一化 def normalize_01(data): return (data - np.min(data)) / (np.max(data) - np.min(data)) # 方法2：(-1,1)归一化 def normalize_11(data): return 2 * (data - np.min(data)) / (np.max(data) - np.min(data)) - 1

两种方法的对比：

2.2 分段聚合近似(PAA)

PAA是一种有效的时间序列降维技术，其核心思想是将长序列分割为等长的子序列，然后用子序列的平均值代表该段数据。这种方法既能降低数据维度，又能保留主要趋势特征。

def paa_transform(data, m): n = len(data) step = n // m return [np.mean(data[i*step:(i+1)*step]) for i in range(m)]

3. 格拉姆角场(GAF)图像转换

3.1 GAF基本原理

格拉姆角场通过将时间序列数据映射到极坐标系，然后计算各点之间的角度关系来生成图像。具体步骤包括：

1. 将归一化后的数据映射到极坐标系
2. 计算每对点之间的角度关系
3. 将角度关系矩阵转换为图像像素值

3.2 GAF实现代码

import numpy as np from sklearn.preprocessing import MinMaxScaler def calculate_gaf(series, method='sum'): # 归一化处理 scaler = MinMaxScaler(feature_range=(-1, 1)) norm_series = scaler.fit_transform(series.reshape(-1, 1)).flatten() # 极坐标转换 polar_series = np.arccos(norm_series) # 计算GAF矩阵 n = len(polar_series) gaf = np.zeros((n, n)) for i in range(n): for j in range(n): if method == 'sum': gaf[i,j] = np.cos(polar_series[i] + polar_series[j]) elif method == 'diff': gaf[i,j] = np.sin(polar_series[i] - polar_series[j]) # 归一化到[0,1]范围 gaf = (gaf + 1) / 2 return gaf

4. CNN模型构建与训练

4.1 网络架构设计

针对轴承振动图像的特点，我们设计了一个轻量级CNN网络：

from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout def create_cnn_model(input_shape): model = Sequential([ Conv2D(32, (3,3), activation='relu', input_shape=input_shape), MaxPooling2D((2,2)), Conv2D(64, (3,3), activation='relu'), MaxPooling2D((2,2)), Conv2D(128, (3,3), activation='relu'), Flatten(), Dense(128, activation='relu'), Dropout(0.5), Dense(1) # 输出RUL预测值 ]) model.compile(optimizer='adam', loss='mse', metrics=['mae']) return model

4.2 数据增强策略

为提高模型泛化能力，可以采用以下数据增强技术：

• 随机旋转（小角度）
• 水平/垂直翻转
• 亮度微调
• 添加高斯噪声

from tensorflow.keras.preprocessing.image import ImageDataGenerator train_datagen = ImageDataGenerator( rotation_range=10, width_shift_range=0.1, height_shift_range=0.1, brightness_range=[0.9,1.1], horizontal_flip=True, vertical_flip=True, fill_mode='nearest')

5. 实际应用中的优化技巧

5.1 参数调优建议

通过大量实验，我们发现以下参数组合效果较好：

5.2 常见问题解决方案

1. 图像特征不明显

   • 检查原始数据质量
   • 尝试不同的归一化方法
   • 调整PAA分段长度

2. 模型过拟合

   • 增加Dropout层
   • 使用更激进的数据增强
   • 添加L2正则化

3. 预测结果波动大

   • 尝试滑动窗口平均
   • 增加模型集成
   • 检查标签噪声

6. 完整实现流程示例

下面是一个端到端的实现示例，使用PHM2012数据集：

import os import numpy as np from PIL import Image import matplotlib.pyplot as plt def process_bearing_data(input_dir, output_dir, m=256, gaf_method='sum'): if not os.path.exists(output_dir): os.makedirs(output_dir) for file in os.listdir(input_dir): if file.endswith('.csv'): # 读取数据 data = np.loadtxt(os.path.join(input_dir, file), delimiter=',') # 归一化 data = normalize_11(data) # PAA降维 paa_data = paa_transform(data, m) # GAF转换 gaf = calculate_gaf(np.array(paa_data), method=gaf_method) # 保存图像 img = Image.fromarray((gaf * 255).astype(np.uint8)) img.save(os.path.join(output_dir, f"{os.path.splitext(file)[0]}.png")) # 使用示例 process_bearing_data( input_dir='path_to_raw_data', output_dir='path_to_save_images', m=256, gaf_method='sum' )

在实际项目中，这种方法的优势在于它能够自动学习振动数据中的复杂模式，而无需人工设计特征。特别是在轴承早期故障阶段，传统方法难以检测的微弱特征，CNN往往能够从图像中捕捉到。