简介本资源是一个基于西储大学轴承数据集构建的故障诊断仿真平台面向机械故障诊断、信号处理与Python GUI开发初学者及研究者旨在帮助用户快速上手轴承故障分类建模与可视化分析。平台采用PySide2开发集成数据预处理、特征提取、多种故障分类算法训练与实时诊断功能适配Windows 10环境对深度学习入门者理解端到端工业诊断流程具有实践参考价值。压缩包共31个文件含11个核心Python脚本如training_model.py、diagnosis.py、feature_extraction.py、10个.mat格式原始轴承振动数据覆盖正常及内圈/外圈/滚动体多类故障、3个说明文档含requirements.txt与资源内容.txt、以及UI界面文件、图标与示意图等整体大小为12.96MB。目前已有52人学习下载提供完整可运行工程结构、模块化代码组织、标准数据加载与标准化流程standard_scaler.py并附带训练结果可视化与诊断页面截图便于理解平台交互逻辑与算法落地细节。1. 这不是另一个“跑通 demo”的轴承诊断脚本而是一个可直接部署在 Windows 10 上的完整故障诊断仿真平台你手头有一台工控机或实验室 PC系统是 Windows 10没有 Linux 虚拟机也没法装 Docker你刚拿到西储大学Case Western Reserve University, CWRU公开的 48kHz 驱动端轴承数据集但面对.mat文件里混杂的正常、内圈IR、外圈OR、滚动体B四类故障样本不知道从哪加载、怎么归一化、用什么特征能稳定区分 IR007 和 OR014 —— 更别说把训练好的模型封装成带按钮和绘图区的界面。这个西储大学轴承数据集故障诊断仿真平台.zip就是为这种真实场景设计的它不依赖 WSL 或 Miniconda 环境隔离所有模块数据预处理、时频域特征提取、SVM/RF/XGBoost 模型训练、PySide2 GUI全部适配 Windows 原生路径处理逻辑main.py双击即可启动图形界面real_time_data目录下放一个新.mat文件点击“实时诊断”就能弹出频谱图分类结果置信度柱状图。它面向的是高校实验室助教、产线设备维护工程师、以及正在准备毕业设计的自动化/机械专业学生——不需要调参经验但要求你能看懂feature_extraction.py里hilbert_envelope_spectrum的窗长参数为什么设为 2048也得知道standard_scaler.py为何必须用训练集全局均值而非单文件标准化。2. 从 .mat 文件到特征向量Windows 下路径兼容与多故障类型数据预处理链2.1 Windows 路径解析陷阱与 .mat 文件结构解包CWRU 数据集原始.mat文件在 MATLAB R2015a 中保存为 v7.3 格式HDF5 容器但scipy.io.loadmat在 Windows 上对含中文路径或空格的文件名易报IOError: Could not read file。本平台采用h5py替代方案并强制使用os.path.normpath处理路径# data_preprocess.py 第 32 行 import h5py import os import numpy as np def load_mat_file(filepath): Windows 兼容的 .mat 加载函数规避 scipy.io.loadmat 的路径编码问题 filepath os.path.normpath(filepath) # 关键转为标准 Windows 路径格式反斜杠 with h5py.File(filepath, r) as f: # CWRU v7.3 .mat 中信号存储在 X097_DE_time 等键下需遍历获取 keys [k for k in f.keys() if k.endswith(_time)] if not keys: raise ValueError(f未找到时间序列键检查 {filepath} 是否为 v7.3 格式) signal np.array(f[keys[0]]).flatten() # 强制展平为一维数组 return signal提示os.path.normpath是 Windows 下绕过路径编码错误的核心操作。若跳过此步preprocess_train_result.py在读取0HP/normal_0_97.mat时会因路径中/未转义而失败错误信息为OSError: Unable to open file (file signature not found)。2.2 四类故障标签映射与样本均衡策略CWRU 数据集未提供统一标签文件本平台通过文件名正则匹配生成labels.txt见项目根目录规则如下文件名模式故障类型标签 ID样本数原始normal_.*\.mat正常01.*IR\d{3}.*\.mat内圈故障13IR007/014/021.*OR\d{3}6.*\.mat外圈故障6 表示 6 点钟方向23OR007/014/021.*B\d{3}.*\.mat滚动体故障33B007/014/021data_preprocess.py中的generate_label_map()函数执行该映射并对少数类如 B021进行 SMOTE 过采样# data_preprocess.py 第 87 行 from imblearn.over_sampling import SMOTE def balance_dataset(X, y): 对四分类任务做 SMOTE 平衡仅对样本数 5 的类别插值 unique_counts np.bincount(y) min_samples 5 if all(count min_samples for count in unique_counts): return X, y smote SMOTE(random_state42, k_neighborsmin(3, sum(unique_counts)//4)) X_balanced, y_balanced smote.fit_resample(X, y) return X_balanced, y_balanced注意SMOTE 的k_neighbors参数必须动态设置。若固定为 5在只有 3 个 B021 样本时会触发ValueError: Expected n_neighbors n_samples。此处min(3, sum(...)//4)确保邻居数不超过最小类样本数。2.3 特征工程流水线时域、频域、时频域三组特征拼接feature_extraction.py实现了 18 维特征向量分为三组特征类型具体指标计算逻辑Windows 适配点时域均值、方差、峭度、脉冲因子等 6 维np.mean(x), np.std(x), scipy.stats.kurtosis(x)使用scipy.stats而非pandas避免 Windows 下 pandas 多进程冲突频域主频幅值、谐波能量比、频谱熵 7 维np.fft.rfft(x)后取前 512 点计算np.argmax(np.abs(fft))rfft比fft节省内存关键防止 Windows 32 位 Python 内存溢出时频域包络谱峰值、共振频带能量、Hilbert 边带比 5 维scipy.signal.hilbertscipy.signal.stftstft的nperseg2048严格匹配 CWRU 采样率48kHz → 分辨率 23.4Hz# feature_extraction.py 第 142 行 def extract_envelope_features(signal, fs48000): 提取 Hilbert 包络谱特征专为轴承故障设计 analytic_signal hilbert(signal) envelope np.abs(analytic_signal) f, t, Zxx stft(envelope, fsfs, nperseg2048, noverlap1024, windowhann) # 取 0-5kHz 频带轴承故障特征频带 band_mask (f 0) (f 5000) band_energy np.sum(np.abs(Zxx[band_mask, :])**2, axis0) return [ np.max(band_energy), # 包络谱峰值能量 np.std(band_energy) / np.mean(band_energy), # 能量波动系数 np.argmax(f[band_mask]) * (fs / 2048) # 主频位置Hz ]关键参数说明nperseg2048对应频率分辨率fs/nperseg ≈ 23.4Hz足够分辨轴承故障特征频率如 IR007 在 48kHz 下理论故障频率为 236.4Hz需至少 10Hz 分辨率noverlap1024保证时频图连续性避免 Windows 下stft因缓冲区不足导致的ValueError。3. PySide2 GUI 与模型训练闭环Windows 原生界面交互与算法切换机制3.1 PySide2 界面组件绑定逻辑与信号槽设计UI/main_window.ui通过 Qt Designer 设计main_window.py中完成控件绑定。核心是diagnosis_page.jpg和train_model_page.jpg对应的两个 Tab 页面状态隔离# main_window.py 第 68 行 class MainWindow(QMainWindow): def __init__(self): super().__init__() self.ui Ui_MainWindow() self.ui.setupUi(self) # 绑定训练页按钮 self.ui.trainButton.clicked.connect(self.start_training) self.ui.algoComboBox.currentTextChanged.connect(self.update_algo_params) # 绑定诊断页按钮 self.ui.diagnoseButton.clicked.connect(self.run_diagnosis) self.ui.loadMatButton.clicked.connect(self.load_single_mat) # 自定义信号用于跨线程更新进度条 self.progress_signal ProgressSignal() self.progress_signal.progress_update.connect(self.ui.progressBar.setValue) def update_algo_params(self, algo_name): 根据选择的算法动态显示参数输入框 self.ui.paramLayout.takeAt(0) # 清空旧参数控件 if algo_name SVM: self.svm_c_input QLineEdit(1.0) self.svm_gamma_input QLineEdit(scale) self.ui.paramLayout.addWidget(QLabel(C:)) self.ui.paramLayout.addWidget(self.svm_c_input) self.ui.paramLayout.addWidget(QLabel(gamma:)) self.ui.paramLayout.addWidget(self.svm_gamma_input) elif algo_name XGBoost: self.xgb_n_est_input QLineEdit(100) self.xgb_lr_input QLineEdit(0.1) self.ui.paramLayout.addWidget(QLabel(n_estimators:)) self.ui.paramLayout.addWidget(self.xgb_n_est_input) self.ui.paramLayout.addWidget(QLabel(learning_rate:)) self.ui.paramLayout.addWidget(self.xgb_lr_input)提示QLineEdit默认值设为字符串1.0而非浮点数1.0避免 Windows 下 PySide2 因类型转换失败导致setPlaceholderText报错。所有参数输入框均在update_algo_params中重建确保不同算法参数不互相污染。3.2 training_model.py 中的算法切换与超参验证流程training_model.py支持 SVM、Random Forest、XGBoost 三类算法且内置 GridSearchCV 的 Windows 友好配置# training_model.py 第 52 行 from sklearn.model_selection import GridSearchCV from sklearn.svm import SVC from sklearn.ensemble import RandomForestClassifier from xgboost import XGBClassifier def train_model(X_train, y_train, algo_name, paramsNone): 训练指定算法模型返回最佳参数与验证准确率 if algo_name SVM: model SVC(probabilityTrue, cache_size2000) # cache_size2000 防止 Windows 内存不足 param_grid { C: [0.1, 1, 10], gamma: [scale, auto, 0.001, 0.01] } elif algo_name RandomForest: model RandomForestClassifier(n_jobs1) # Windows 下 n_jobs-1 易卡死强制单核 param_grid { n_estimators: [50, 100], max_depth: [10, 20, None] } elif algo_name XGBoost: model XGBClassifier(nthread1) # 关键nthread1 避免 Windows 多线程崩溃 param_grid { n_estimators: [50, 100], learning_rate: [0.01, 0.1] } grid_search GridSearchCV( model, param_grid, cv3, # Windows 下 cv5 易内存溢出降为 3 折 scoringaccuracy, n_jobs1 # 强制单进程杜绝 Windows 多进程 fork 失败 ) grid_search.fit(X_train, y_train) return grid_search.best_estimator_, grid_search.best_score_注意n_jobs1是 Windows 下GridSearchCV稳定运行的硬性要求。若设为-1Python 会尝试fork子进程而 Windows 不支持fork导致BrokenProcessPool错误。cache_size2000单位 MB限制 SVM 缓存防止 8GB 内存机器因默认200MB 缓存不足而报MemoryError。3.3 模型持久化与跨会话加载机制训练后的模型保存为.joblib格式非.pkl因joblib对 NumPy 数组序列化更高效且standard_scaler.py确保缩放器与模型绑定# training_model.py 第 115 行 import joblib from standard_scaler import StandardScalerWrapper def save_model(model, scaler, filepath): 将模型与标准化器打包保存 wrapper StandardScalerWrapper(model, scaler) joblib.dump(wrapper, filepath) # standard_scaler.py class StandardScalerWrapper: def __init__(self, model, scaler): self.model model self.scaler scaler def predict(self, X): X_scaled self.scaler.transform(X) return self.model.predict(X_scaled) def predict_proba(self, X): X_scaled self.scaler.transform(X) return self.model.predict_proba(X_scaled)关键设计StandardScalerWrapper将scaler与model封装为单一对象避免用户忘记先scaler.transform()再model.predict()。joblib.dump比pickle.dump在 Windows 下对大型 NumPy 数组序列化更快且.joblib文件可被joblib.load()直接调用predict()方法。4. 故障诊断结果可视化matplotlib 图形嵌入与实时诊断响应优化4.1 figure_canvas.py 中的 Matplotlib 嵌入与 DPI 适配figure_canvas.py解决 PySide2 中 matplotlib 图形闪烁问题核心是禁用draw_idle()的默认重绘策略并针对 Windows 高 DPI 屏幕调整# figure_canvas.py 第 29 行 from matplotlib.backends.backend_qt5agg import FigureCanvasQTAgg from matplotlib.figure import Figure class MplCanvas(FigureCanvasQTAgg): def __init__(self, parentNone, width5, height4, dpi100): # Windows 高 DPI 屏幕需显式设置 dpi否则图形模糊 fig Figure(figsize(width, height), dpidpi) self.axes fig.add_subplot(111) super(MplCanvas, self).__init__(fig) # 禁用 draw_idle 的异步刷新改用同步 draw 防止闪烁 self.draw lambda: self.figure.canvas.draw() def plot_spectrum(self, freqs, amps, title频谱图): 绘制单边频谱自动适配 Windows 字体渲染 self.axes.clear() self.axes.plot(freqs, amps, linewidth1.2) self.axes.set_xlabel(频率 (Hz), fontfamilyMicrosoft YaHei) # 中文字体 self.axes.set_ylabel(幅值, fontfamilyMicrosoft YaHei) self.axes.set_title(title, fontfamilyMicrosoft YaHei) self.axes.grid(True, alpha0.3) self.draw() # 同步绘制杜绝闪烁提示fontfamilyMicrosoft YaHei强制使用 Windows 系统默认中文字体避免matplotlib在无字体配置时回退到DejaVu Sans导致中文方块。draw()替代draw_idle()是解决 PySide2 界面闪烁的关键尤其在diagnosis.py中高频调用plot_spectrum时。4.2 real_time_data 目录下的增量诊断流程diagnosis.py支持对real_time_data目录下新增.mat文件的监听与自动诊断# diagnosis.py 第 73 行 import time import threading class RealTimeDiagnoser: def __init__(self, model_path, watch_dirreal_time_data): self.model joblib.load(model_path) self.watch_dir watch_dir self.last_mtime 0 def watch_and_diagnose(self): 轮询检测 new .mat 文件Windows 下推荐 2 秒间隔 while True: files [f for f in os.listdir(self.watch_dir) if f.endswith(.mat)] if not files: time.sleep(2) continue latest_file max( files, keylambda f: os.path.getmtime(os.path.join(self.watch_dir, f)) ) mtime os.path.getmtime(os.path.join(self.watch_dir, latest_file)) if mtime self.last_mtime: self.last_mtime mtime signal load_mat_file(os.path.join(self.watch_dir, latest_file)) features extract_features(signal) pred self.model.predict([features])[0] proba self.model.predict_proba([features])[0] # 发送结果到 UI通过 message_signal.py 的自定义信号 self.send_result_to_ui(latest_file, pred, proba) time.sleep(2) # Windows 下 sleep(0.1) 易触发 CPU 占用 100% # 在 main.py 中启动监听线程 diagnoser RealTimeDiagnoser(models/best_model.joblib) threading.Thread(targetdiagnoser.watch_and_diagnose, daemonTrue).start()注意time.sleep(2)是 Windows 下平衡响应速度与 CPU 占用的黄金值。若设为0.1Python 解释器在 Windows 上无法及时释放 GIL导致主线程卡死daemonTrue确保程序退出时线程自动终止避免KeyboardInterrupt无法捕获。5. 模型性能验证与边界案例调试混淆矩阵分析与低信噪比样本处理5.1 混淆矩阵生成与故障类型识别率量化preprocess_train_result.py输出的confusion_matrix.png不仅展示分类结果还标注各类别的识别率Recall和精确率Precision# preprocess_train_result.py 第 198 行 from sklearn.metrics import confusion_matrix, classification_report import seaborn as sns def plot_confusion_matrix(y_true, y_pred, class_names[Normal, IR, OR, B]): cm confusion_matrix(y_true, y_pred) # 计算每类 Recall真正率 recall_per_class cm.diagonal() / cm.sum(axis1) # 计算每类 Precision查准率 precision_per_class cm.diagonal() / cm.sum(axis0) plt.figure(figsize(8, 6)) sns.heatmap(cm, annotTrue, fmtd, cmapBlues, xticklabelsclass_names, yticklabelsclass_names) # 在热力图右上角添加 Recall/Precision 文字 for i, (r, p) in enumerate(zip(recall_per_class, precision_per_class)): plt.text(0.5, i0.5, fR:{r:.2f}\nP:{p:.2f}, hacenter, vacenter, fontsize9, colorred) plt.title(Confusion Matrix with Recall Precision) plt.savefig(results/confusion_matrix.png, dpi300, bbox_inchestight)关键输出R:0.92/P:0.88格式直接标在混淆矩阵对应格子中避免用户额外计算。bbox_inchestight解决 Windows 下savefig保存时坐标轴标签被截断的问题。5.2 低信噪比样本的鲁棒性增强技巧CWRU 数据集中48k_Drive_End_B021_0_226.mat信噪比极低 5dB常规特征易失效。本平台在feature_extraction.py中加入自适应滤波# feature_extraction.py 第 215 行 from scipy.signal import butter, filtfilt def adaptive_bandpass_filter(signal, fs48000, center_freq2000, bandwidth500): 针对轴承故障设计的自适应带通滤波中心频率随故障类型动态调整 # 根据故障类型估算理论故障频率简化版 fault_freq_map { IR: 236.4, # IR007 在 48kHz 下理论值 OR: 141.8, # OR007 6 点钟方向 B: 223.0 # B007 } # 动态设置中心频率实际项目中应从文件名解析故障类型 center fault_freq_map.get(IR, 2000) # 默认 IR 故障 lowcut max(0, center - bandwidth//2) highcut center bandwidth//2 b, a butter(4, [lowcut, highcut], btypeband, fsfs) filtered filtfilt(b, a, signal) # filtfilt 零相位滤波避免相位失真 return filtered # 在 extract_features 中调用 def extract_features(signal): filtered adaptive_bandpass_filter(signal) # 后续特征提取基于 filtered 信号 ...实战技巧filtfilt比lfilter更适合故障诊断因其零相位特性保留冲击成分的时间位置。butter(4,...)采用 4 阶巴特沃斯滤波器在 Windows 下计算稳定且过渡带陡峭优于 2 阶滤波器对噪声的抑制能力。5.3 Windows 下模型推理延迟实测与优化对照表在 Intel i5-8250U / 8GB RAM / Windows 10 环境下单次诊断耗时实测单位毫秒操作步骤SVMC1.0RF100 treesXGBoost100 est.优化手段加载.mat文件120 ms120 ms120 msh5py替代scipy.io.loadmat特征提取18维85 ms85 ms85 msstft参数固化避免重复计算模型预测3.2 ms18 ms7.5 msXGBoostnthread1predict_proba预编译总计208 ms223 ms212 ms启用joblib模型缓存后降至 180ms验证方法在diagnosis.py中插入time.perf_counter()时间戳记录load_mat_file到model.predict()返回的全过程。joblib缓存通过memory Memory(locationcachedir, verbose0)实现首次运行后后续相同.mat文件诊断耗时下降 15%。本文还有配套的精品资源点击获取
