# 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同名公众号：大雾的小屋。


## 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

![四类轴承状态的振动波形（CWRU 真实数据）](https://developer.qcloudimg.com/http-save/yehe-3636443/3c8f6f0076e70b3a166c9bc25b4c3950.png)

![97.mat 文件包含的字段](https://developer.qcloudimg.com/http-save/yehe-3636443/4a59357177beb60d620f3b283d65d9ba.png)


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。


![正常 vs 内圈故障波形对比（CWRU 真实数据）](https://developer.qcloudimg.com/http-save/yehe-3636443/2de368987404be43393623b74e446cf2.png)

## 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)`。

![1D-CNN 网络结构（浅层，仅 1 层卷积）](https://developer.qcloudimg.com/http-save/yehe-3636443/8426090989b9a81d188d2b4791123fb6.png)

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。

![CNN+ResNet 网络结构（含残差块原理）](https://developer.qcloudimg.com/http-save/yehe-3636443/b26b4319ac6f928a8f47ad44c8e29508.png)


### 4.4 三模型对比总结

![三模型测试集指标对比（同一数据、同一划分）](https://developer.qcloudimg.com/http-save/yehe-3636443/ddc7abe1529c82dab559537df8229757.png)



| 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**：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）**：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。*

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同名公众号：大雾的小屋。

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"AI滚动轴承故障诊断"系列开篇。从老师傅听诊引出工业痛点，用三步讲清AI诊断原理：振动信号数字化、滑窗切段、打标签训练。基于CWRU数据集对比三模型：传统方法约73%、简单神经网络83%、残差网络95%以上。

人工智能

算法

基于深度学习的滚动轴承故障诊断实战教程，对比随机森林（73%）、1D-CNN（83%）和CNN+残差模块（95%+）三种模型，使用CWRU公开数据集，覆盖数据预处理、双通道特征构造、模型训练评估全流程，附完整代码及论文实验话术。

卷积神经网络

数据预处理

机器学习

深度学习

数据中心

代码解释

Python

让每一个 Agent，都跑在云上

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

手把手教你：基于深度学习的滚动轴承故障诊断（2026 修订版）-腾讯云开发者社区-腾讯云

手把手教你：基于深度学习的滚动轴承故障诊断（2026 修订版）

手把手教你：基于深度学习的滚动轴承故障诊断（2026 修订版）

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐