超越简单分类：用东南大学齿轮箱数据集实战故障严重度评估与迁移学习
超越简单分类：用东南大学齿轮箱数据集实战故障严重度评估与迁移学习
在工业设备健康管理领域，传统的故障分类模型往往止步于"有无故障"的二元判断或基础的多分类任务。这种粗粒度的诊断方式，就像医生仅告知患者"是否生病"而不说明病情阶段，难以支撑真正的预测性维护决策。东南大学齿轮箱数据集的价值远未被充分挖掘——它包含同一故障类型在不同转速（20Hz/30Hz）和负载（0V/2V）工况下的振动信号，这为研究者提供了探索故障演化规律和跨工况迁移能力的绝佳实验场。
本文将带您突破基础分类的局限，从三个维度重新定义该数据集的应用价值：首先构建故障严重度评估模型，量化裂纹从萌生到扩展的渐进过程；其次设计域自适应框架，解决实验室数据（20Hz/0V）到现场数据（30Hz/2V）的分布偏移问题；最后通过多任务学习架构同步优化分类精度与严重度预测。我们不仅会解析关键技术路线，还将提供可直接复现的PyTorch代码片段和评估指标设计方法。
1. 故障严重度评估：从定性到定量的跨越
1.1 数据隐含的故障演化信息
仔细分析齿轮数据集中的"缺损（Chipped tooth）"和"根部裂纹（Root fault）"两类故障，会发现同一故障类型的CSV文件中实际包含不同严重程度的状态。通过时频分析可观察到以下渐进特征：
- 早期阶段：振动信号在齿轮啮合频率处出现边带，幅值调制现象初现
- 中期阶段：谐波成分增多，行星齿轮通过频率的幅值上升约30-50%
- 晚期阶段：出现宽带噪声能量，时域冲击特征明显
提示：使用Teager能量算子（TEO）能更敏感地捕捉裂纹扩展引起的非线性效应
1.2 严重度标签构建策略
由于原始数据未标注具体严重程度，我们需要设计无监督的标签生成方法：
from sklearn.cluster import OPTICS def generate_severity_labels(features): # features: 从原始信号提取的时频特征矩阵 clustering = OPTICS(min_samples=0.1).fit(features) return clustering.labels_ # 自动划分为0-4五个严重等级配套的特征工程应包含以下关键指标：
| 特征类型 | 计算方式 | 敏感度 |
|---|---|---|
| 调制强度指数 | 啮合频率边带能量比 | 高 |
| 谐波失真度 | 前5次谐波总能量/基波能量 | 中 |
| 冲击因子 | 峰峰值与RMS值的比值 | 高 |
| 熵值特征 | 排列熵+样本熵联合计算 | 低 |
1.3 分级预测模型构建
采用1D CNN与LSTM的混合架构处理8通道振动信号：
class SeverityModel(nn.Module): def __init__(self): super().__init__() self.cnn = nn.Sequential( nn.Conv1d(8, 64, kernel_size=5), nn.BatchNorm1d(64), nn.ReLU(), nn.MaxPool1d(2)) self.lstm = nn.LSTM(64, 128, bidirectional=True) self.head = nn.Linear(256, 5) # 输出5个严重等级 def forward(self, x): x = self.cnn(x) x = x.permute(2, 0, 1) # 转为时序输入 _, (h, _) = self.lstm(x) return self.head(torch.cat((h[0], h[1]), dim=1))2. 跨工况迁移学习实战
2.1 域偏移分析与度量
对比20Hz/0V（源域）与30Hz/2V（目标域）的数据分布，主要存在三类差异：
- 频率缩放效应：转速变化导致特征频率线性偏移
- 能量重分配：负载变化改变振动能量在频段的分布
- 噪声干扰差异：不同工况下的背景噪声特性变化
使用最大均值差异（MMD）量化域间距离：
def compute_mmd(source, target): # 使用高斯核计算MMD距离 diff = source.mean(0) - target.mean(0) return diff.pow(2).sum().sqrt()2.2 深度域自适应框架
基于DANN（Domain Adversarial Neural Network）构建迁移模型：
关键实现步骤：
- 特征提取器：共享权重的ResNet-1D网络
- 域判别器：梯度反转层+3层全连接网络
- 多任务损失：
\mathcal{L} = \alpha\mathcal{L}_{cls} + \beta\mathcal{L}_{da} + \gamma\mathcal{L}_{sev}
实际训练时需要动态调整学习率比例：
# 动态平衡系数调整策略 def adjust_lambda(epoch): p = epoch / max_epochs return 2. / (1. + math.exp(-10. * p)) - 1.2.3 迁移效果评估指标
除常规分类准确率外，需引入：
- 域混淆度：目标域样本被判别为源域的比例
- 严重度一致性：同类故障在不同工况下的等级预测标准差
- 特征对齐度：T-SNE可视化中的类别聚集程度
3. 多任务协同优化策略
3.1 损失函数设计
联合优化分类与回归任务的难点在于量纲差异，我们采用自适应加权：
class MultiTaskLoss(nn.Module): def __init__(self): super().__init__() self.log_vars = nn.Parameter(torch.zeros(2)) def forward(self, cls_loss, reg_loss): precision1 = torch.exp(-self.log_vars[0]) loss1 = precision1 * cls_loss + self.log_vars[0] precision2 = torch.exp(-self.log_vars[1]) loss2 = precision2 * reg_loss + self.log_vars[1] return loss1 + loss23.2 特征共享机制
网络底层共享卷积层，高层分支出特定任务结构：
Shared Layers ├─[Conv1D-BN-ReLU]×4 └─[MaxPool] ↓ Task-Specific Heads ├─ Classification Branch │ └─[LSTM]-[Attention]-[FC] └─ Severity Branch └─[Wavelet]-[FC]-[Sigmoid]3.3 课程学习策略
分阶段训练提升模型收敛性：
- 第一阶段：仅训练分类任务（冻结严重度分支）
- 第二阶段：加入严重度预测（分类分支学习率×0.1）
- 第三阶段：联合微调所有参数
4. 工程落地关键考量
4.1 实时性优化技巧
针对边缘设备部署的模型压缩方法：
- 知识蒸馏：用复杂模型指导轻量模型学习
- 量化感知训练：8位整数量化方案
- 通道剪枝：基于激活重要性的结构化剪枝
# 通道重要性评估示例 def channel_importance(conv_layer): return torch.norm(conv_layer.weight, p=1, dim=(1,2))4.2 故障-严重度关联分析
建立故障类型与演变规律的映射矩阵：
| 故障类型 | 典型演变模式 | 预警阈值 |
|---|---|---|
| 齿面磨损 | 线性恶化 | 等级2 |
| 根部裂纹 | 指数型加速 | 等级1 |
| 断齿 | 突发性失效 | N/A |
| 复合故障 | 耦合振荡 | 等级1 |
4.3 不确定性估计
通过蒙特卡洛Dropout量化预测可信度：
def mc_dropout_predict(model, x, n_samples=20): model.train() # 保持Dropout激活 with torch.no_grad(): outputs = torch.stack([model(x) for _ in range(n_samples)]) return outputs.mean(0), outputs.std(0)在实际项目中，我们发现当模型对严重度预测的标准差超过0.3时，建议触发人工复核机制。这种设计使得系统在遇到训练数据未覆盖的新工况时，能够主动降级为保守策略，避免误判带来的停机损失。