【机情无限 精彩毕设】机械2025届毕业设计（论文）中期检查优秀案例分享第十四期——基于神经网络的汽车变速箱轴承故障诊断

学生姓名：刘棋峰

班    级：车辆2021-05班

指导教师：黄海波

毕设题目：基于神经网络的汽车变速箱轴承故障诊断

一、概况

1.选题意义

变速箱轴承的故障诊断通常依赖于对振动信号的分析。由于故障状态下振动信号的非平稳性、复杂性以及噪声的干扰，传统的诊断方法面临很大的挑战。尤其在变速箱这种复杂的机械系统中，轴承故障的诊断更加困难。因此，如何准确、实时地检测变速箱轴承的故障，并对故障类型进行快速判断，成为了当前研究和工程实践中的重要问题。

传统的故障诊断方法如时域分析、频域分析、经验模式分解等，虽然在某些简单的故障情况下有效，但面对复杂、非线性、非平稳的振动信号时，难以取得理想的诊断效果。特别是在多个故障并存或故障逐渐发展的情况下，传统方法的识别精度和鲁棒性受到限制。

基于此，本课题提出利用神经网络等智能算法对变速箱轴承的故障进行诊断。这些智能算法具备强大的数据处理能力，能够有效从复杂的振动信号中提取特征，识别潜在的故障模式，为故障诊断提供新的解决方案。神经网络特别适合处理非线性、高维、噪声干扰严重的数据，通过学习大量的振动信号数据，可以自适应地提取出影响故障诊断的关键特征，从而实现高精度的故障分类和定位。

2. 任务分解

（1）文献查阅与整理：查阅国内外关于轴承故障诊断、振动信号分析、深度学习模型（如CNN、LSTM、Attention）在故障检测中的应用等相关文献，梳理当前主流研究方法与不足，为后续模型设计提供理论支持。同时掌握公开数据集的构成与实验方法，为实验设计打下基础。

（2）数据处理与对比模型建立：使用已有的变速箱轴承故障振动信号数据集，完成信号的读取、切分与归一化处理。搭建多种对比模型（如基本CNN、LSTM网络、Attention模型等）作为基准，验证各模型在无干扰环境下的基本诊断性能，为后续融合模型打基础。

（3）融合模型设计与实现：结合1D卷积神经网络（WDCNN）、LSTM和自注意力机制设计融合模型，提升特征提取、时序建模与特征聚焦能力。根据振动信号的特点设置合适的卷积核大小与步长，完成模型结构搭建、训练与测试流程。

（4）模型优化与鲁棒性分析：引入不同强度的白噪声扰动，以模拟实际工况下的干扰环境，检验模型在高噪声背景下的抗干扰能力。通过对比分析不同模型在抗噪环境下的准确率和稳定性，寻找最优诊断方案，并对模型结构或超参数进行调优。

（5）论文撰写与修改：总结研究中取得的成果与创新点，撰写毕业论文初稿。根据指导老师意见完成多轮修改与补充，整理实验数据与图表，最终形成完整、逻辑清晰、结构规范的毕业论文文档。

3. 已完成工作

（1）据预处理与特征构造： 成功读取公开轴承数据集并处理了轴承状态数据集中的 .mat 文件，对原始振动信号进行归一化处理与滑窗切分操作（步长为512，重叠率为0.5），将一维时间序列转换为统一长度的输入样本，为模型训练奠定基础。

图1 滑窗切分操作原理

（2）模型结构设计与实现：在多轮实验探索的基础上，设计并实现了基于（1DCLA模型）WDCNN + LSTM + Self-Attention的混合模型结构如图3所示：WDCNN模块通过宽核卷积提取低频与局部故障特征，采用多层卷积与池化操作逐步加深网络；LSTM模块用于建模时间序列中的长依赖关系，捕捉设备运行状态的演化过程；Self-Attention模块进一步强化模型对关键时间片段的关注能力，从全局层面对时序特征进行加权聚合。

  图2 网络结构功能说明

   图3 1DCLA模型网络结构

（3）模型训练与优化：构建了完整的训练流程，采用交叉熵损失函数与Adam优化器进行模型优化，并针对一维时间序列信号特点在卷积层参数、池化层结构、LSTM单元数量等方面进行多轮调参实验。同时，构建了模型参数统计函数用于控制网络复杂度。

（4）模型性能初步评估：通过训练集、验证集与测试集划分，完成模型在标准数据集下的性能测试。模型在多类故障状态下均表现出较高的分类精度，如图4所示，训练损失曲线显示出良好的收敛性，模型在约20个epoch后进入稳定收敛阶段，未出现明显过拟合现象。最终模型在测试集上的分类准确率达到99%，显著优于传统的CNN结构，验证了WDCNN+LSTM+Attention混合模型在故障特征提取与识别任务中的有效性与先进性。

图4 1DCLA模型训练损失曲线

混淆矩阵验证了所提出结构在振动信号分类任务中的可行性。在测试集中，为进一步验证模型对不同类别轴承故障的识别能力，绘制了混淆矩阵（如图5所示）。从混淆矩阵可以看出：模型在各类别上的识别准确率均较高，特别是“正常”类和“滚动体故障”类的识别率接近100%；“内圈故障”与“外圈故障”之间存在少量混淆，可能由于这两类故障在振动信号上的时域特征相似；  整体预测准确率为 99%，表明模型具有良好的多类分类能力。

        图5 混淆矩阵图

二、下一步工作计划

接下来的工作将集中于以下几个方面：
（1）通过向原始信号添加不同强度的白噪声，模拟工业环境干扰，进一步评估模型在复杂背景下的稳定性和抗噪能力；
（2）对模型结构进行细节优化与超参数调优，包括调整卷积核、LSTM单元数量和Dropout策略，以提升模型鲁棒性与计算效率；
（3）完成可视化分析与多模型对比实验，使用混淆矩阵、各类别准确率等指标系统评估本模型优势；
（4）加快论文撰写进度，聚焦于创新点提炼和实验结果图表的补充，尽快完成初稿并进行修改完善

  问题一：你的方法和传统故障诊断方法有什么不同？

  回答：传统方法多依赖手工特征，受人为经验限制。我采用WDCNN自动提取局部故障特征，LSTM建模时间依赖关系，Attention机制强化对关键特征的关注，提高了模型对时序信息的理解和分类准确性。

  问题二：你的数据集是哪来的？如何划分训练集和测试集？

  回答：来自 CWRU（凯斯西储大学）轴承故障数据集和西安交大轴承数据集，是公开广泛使用的振动信号数据集。采用 5:5 和7:2:1 的方式都进行了划分，确保测试集中包含各类故障的代表性样本

回顾过去这段时间的学习与实践，我收获颇丰，不仅提升了理论水平和实践能力，也更加明确了今后努力的方向。

首先，我掌握了大量与智能故障诊断相关的知识，并系统学习了卷积神经网络（CNN）、长短期记忆网络（LSTM）以及注意力机制（Self-Attention）等深度学习技术，理解了它们在处理时间序列振动信号中的应用价值。在模型设计阶段，我反复调试网络结构和参数配置，从中学会了如何结合理论与实际需求进行改进优化。其次，在数据处理和实验搭建过程中，我深入掌握了PyTorch框架的使用，学会了如何进行数据预处理、滑窗切分、模型训练与测试等全流程操作。针对实验室数据较为理想、实际噪声不足的问题，我还尝试往原始信号中添加不同强度的白噪声，以模拟真实工业场景，从而提高模型的鲁棒性。这个过程让我深刻意识到模型泛化能力的重要性，也锻炼了我的工程思维。我也深刻体会到了沟通与协作的重要性。在遇到技术问题和思路瓶颈时，多次向黄海波导师请教，及时获得了有效指导，让毕设工作进行得较为顺利。后续我将根据老师提出的修改建议，继续完善模型设计，优化结构参数，进一步提升诊断精度，并尽快完成论文撰写，力争高质量完成整个毕设任务。