★ FEATURED ARTICLE 搞故障诊断的人这几年应该都有同一个体感单靠某个算法硬扛已经很难再往上突破了。要么精度卡在九成上下不去要么换个工况就当场失灵更麻烦的是信号分解这一步参数全靠经验试换个数据集就要重新调一遍。我前段时间把一个完整的滚动轴承故障诊断流程跑通了一遍核心链条是“海市蜃楼MSO算法 VMD CNN-LSTM/BILSTM”整个链路在Matlab环境下实现。这篇文章就是这次实验的完整复盘从选型逻辑到代码细节、再到踩坑记录尽量讲透。适合正在做故障诊断方向研究的学生也适合想把分类精度再往上拔一拔的工程师。如果对智能优化算法、信号分解网络和多尺度特征提取这几个方向感兴趣这篇应该能省你不少走弯路的时间。1. 项目整体思路为什么是MSO-VMD-CNN-LSTM/BILSTM这一套1.1 故障诊断的核心问题拆解故障诊断落地到工程上其实就是回答三个问题信号里有没有故障、故障是什么类型、故障严重到什么程度。围绕这三个问题主流做法可以分成两大类。一类是传统方法先做信号分解、再手工提取特征峭度、峰值因子、包络谱特征等最后丢进SVM或随机森林里分类。另一类是端到端深度学习原始信号直接进CNN或者LSTM让网络自己学特征。这两类各有短板。传统方法的问题在于特征工程量太大而且换一个设备、换一种工况原来的特征可能就不适用了。端到端深度学习的短板在后面卷积核的感知范围有限低频故障特征经常被淹没在强背景噪声里网络学到的东西可能不是我们想要的故障冲击成分。更实际的问题是LSTM对长时间序列的记忆能力虽然强但对局部冲击特征的提取不如CNN直接单独用效果并不稳定。所以这个项目选的路线是“中间路线”先用VMD把原始振动信号拆成若干个有物理意义的模态分量相当于帮网络做了一层特征预分离再用CNN提取模态分量里的局部冲击特征用LSTM/BILSTM捕捉时间维度的状态转移规律最后接全连接层分类。这条链路的逻辑很清晰信号层面的问题交给信号处理方法时序特征的问题交给循环网络各干各的活。1.2 为什么是VMD而不是EMD或小波变换在做信号分解这一步时候选方案有EMD、EEMD、小波变换和VMD。我在前期对比实验里都试过一遍最后留下VMD原因有三个。第一EMD有模态混叠这个老大难问题。EMD是递归筛选的过程一旦某个尺度上的信号出现了间断分解出来的IMF就会相互纠缠同一个固有模态被拆到两个分量里或者两个模态混在一个分量里。这直接影响后续CNN提取特征的质量。EEMD加噪声能缓解但计算量翻了好几倍而且加噪声的幅值本身又是一个需要调的参数。第二小波变换的基函数和小波层数需要先验知识。故障信号里的冲击成分频率范围很宽一旦小波基选得不好分解结果就不好。现实里我们面对的是一个陌生设备的信号很难预先知道用什么小波基最合适。第三VMD的数学框架是变分问题求解不是递归筛选。它一次性把信号分解为K个带宽受限的模态分量通过优化问题的约束把每个模态的中心频率和带宽确定下来。这个过程中没有递归误差的积累对采样噪声的鲁棒性也更好。实测下来同样是三分类故障识别VMD预处理后的平均分类准确率比EMD预处理高3~5个百分点尤其在噪声较大的工况下差距更明显。1.3 MSO在整个链路里到底做了什么很多初学者容易误解MSO的作用以为它是拿来替代CNN或者LSTM的分类算法的。实际上不是。MSO在这条链路里的位置是参数优化器具体来说就是优化VMD的两个关键参数模态数K和惩罚因子alpha。VMD效果好不好K和alpha基本就决定了上限。K给小了不同频段的故障特征会挤在同一个模态里K给大了又会出现虚假模态把噪声单独拆成一份“特征”属于给CNN喂杂质。alpha控制的是模态带宽的约束强度它在“模态内部信号紧凑”和“模态之间中心频率分离”之间的权衡中起决定性作用。这两个参数的组合空间很大靠人工在二维网格上搜索效率太低。我用网格搜索跑过一次大概300组参数要跑一整晚而且网格步长选不好还容易跳过最优区域。MSO就是来解决这个问题的。它作为一类群智能优化算法能在参数空间里快速逼近最优解。相比粒子群和遗传算法MSO在操作上更符合“海市蜃楼”的光学隐喻在探索和开发之间的平衡机制不太一样在不同的测试函数上收敛速度和稳定性表现都不错。这套流程跑下来MSO配合包络熵适应度函数一般迭代20轮左右就能找到一组能稳定分解出故障冲击分量的参数组合。1.4 为什么同时保留CNN-LSTM和CNN-BILSTM两条路线其实最开始我只打算用CNN-LSTM后来对比实验做完了顺手把BILSTM也加进来了。两条网络结构在主干上完全一致区别只在于循环层是单向LSTM还是双向BILSTM。LSTM的优势在于能记住过去一段时间的状态模式对故障信号的时变特征比较友好。但单向LSTM有一个天然的盲区它只能看到过去的信息看不到未来。而滚动轴承的故障冲击信号往往有前后文呼应比如一个冲击产生后后续若干周期内的波形形态会受到之前冲击余波的影响。这种时候BILSTM的前向层和后向层能同时捕捉“之前发生了什么”和“之后发生了延续什么”上下文信息利用率更高。两条路线不冲突放在同一个项目里反而有对比价值。实际实验里的结论是在样本量中等、故障特征稳定的情况下两者准确率差距不明显BILSTM略高一到两个点但当信号中有较强噪声干扰时BILSTM的抗干扰能力会明显强于LSTM。代价当然也有——BILSTM的参数是LSTM的两倍训练时间明显拉长。所以我最后的做法是两者都保留跑通之后根据实际场景来选这也是项目标题里“/”这个符号的用意。2. 海市蜃楼MSO算法的核心机制与参数寻优细节2.1 用光学现象理解MSO的搜索逻辑我第一次看到“海市蜃楼优化算法”这个名字的时候第一反应是“这搞的什么花活”。但把它的机制读进去之后发现这个算法把光学现象抽象成搜索策略还挺巧妙。海市蜃楼的物理成因是空气密度随温度变化导致光线在大气中的传播路径发生弯曲。观察者看到的是物体在视线反向延长线上的虚像并不是物体本身。这个“虚像”和“真实物体”之间的距离是不确定的取决于大气折射率的变化。而折射率变化又和地表温度、空气层温度梯度直接相关。映射到优化问题上就是我们把待求的最优解看作“真实物体”把当前种群中的候选解看作“观察者看到的虚像”。虚像和真实物体的位置是有偏差的算法要做的事情就是通过模拟折射率变化的动态过程持续修正虚像的位置让它逐步逼近真实位置。温度梯度大时虚像偏移厉害对应算法前期的强探索温度梯度逐渐平缓时搜索逐步转为局部精修对应算法后期的开发能力。这样一种“先看到虚像再追到实像”的过程和大多数群智能算法的“先广撒网再局部收敛”在精髓上是相通的。2.2 关键算子与实现框架下面是基于常见公开版本的思路整理的MSO算法实现框架。在Matlab里写起来并不复杂核心部分也就百行代码量级。初始化阶段种群规模和迭代次数是两个主要超参数。我实验里用的种群规模是30最大迭代次数50轮。对于VMD这种每次适应度计算都要跑一次完整分解和包络熵求解的场景这个规模不算大。毕竟一次适应度评估背后是毫秒级的信号分解计算50轮内要做1500次VMD分解Matlab跑下来大约需要几分钟到十几分钟。位置更新过程可以理解为三个核心机制视位偏移模拟每个个体在当前解位置附近生成一个“虚像位置”偏移幅度和当前代的温度因子相关。温度因子在初期设为较大值随迭代代数衰减。这个和模拟退火的温度递减有点像但更新方式不同。折射修正根据个体当前解和历史最优解、全局最优解的差异计算折射率修正量将虚像位置反向拉回真实搜索区域。这一步负责收敛。蜃景消失再初始化如果某个个体连续多轮没有改进认为它陷入了一个“稳定虚像”——也就是局部最优区域。此时模拟温度突变导致蜃景消失将该个体重新随机初始化。适应度评估放在每次位置更新之后。整个迭代结束后输出历史最优位置也就是VMD的最优参数组合。下面是一段我在实验里用的MSO主循环关键代码省略了部分边界处理但整体结构和调试思路是完整的% 参数设置 popSize 30; maxIter 50; dim 2; % 待优化参数: [K, alpha] lb [3, 100]; % K的下界和上界 ub [10, 3000]; % alpha的下界和上界 % 初始化种群 pop repmat(lb, popSize, 1) rand(popSize, dim) .* (repmat(ub - lb, popSize, 1)); fitness zeros(popSize, 1); for i 1:popSize fitness(i) msoFitness(pop(i,:), signal); % 包络熵适应度函数 end % 迭代寻优 [globalBestVal, bestIdx] min(fitness); globalBestPos pop(bestIdx, :); for iter 1:maxIter tempFactor 1 - iter / maxIter; % 温度因子递减 for i 1:popSize % 视位偏移模拟 virtualPos pop(i,:) (rand(1,dim) - 0.5) * tempFactor .* (ub - lb) * 0.1; virtualPos max(min(virtualPos, ub), lb); % 折射修正向全局最优和个体历史最优方向移动 newPos virtualPos rand(1,dim) .* (globalBestPos - virtualPos) ... rand(1,dim) .* (pop(i,:) - virtualPos); newPos max(min(newPos, ub), lb); % 蜃景消失机制连续停滞个体重新初始化 if stallCounter(i) 5 newPos lb rand(1,dim) .* (ub - lb); stallCounter(i) 0; end newFit msoFitness(newPos, signal); if newFit fitness(i) pop(i,:) newPos; fitness(i) newFit; stallCounter(i) 0; else stallCounter(i) stallCounter(i) 1; end if newFit globalBestVal globalBestVal newFit; globalBestPos newPos; end end end % 输出最优参数 bestK round(globalBestPos(1)); bestAlpha globalBestPos(2);这段代码的调试关键点在于bound处理一定要做否则alpha很容易被更新到负值停滞计数器也要加不然群体会出现过早聚集的现象。2.3 待优化参数K和alpha的语义VMD的英文全称是Variational Mode Decomposition中文叫变分模态分解。它的核心思想是将原始信号f(t)分解为K个模态函数uk(t)每个模态都是一个中心频率为wk的调幅调频信号。约束条件是所有模态之和等于原始信号同时每个模态的带宽要尽可能窄。带宽的控制由两个参数协同完成。第一个是模态数K它决定了把信号“切”成几份。K值偏小会导致欠分解即两个不同频率的故障特征被硬揉进同一个模态K值偏大会导致过分解即某一模态内部出现虚假频带产生“拆东墙补西墙”的假象。第二个是惩罚因子alpha它是变分模型中的二次惩罚项系数取值通常在几百到几千之间。alpha越小模态带宽约束越宽松模态可以铺得更宽alpha越大模态带宽越窄但过大的alpha可能把故障冲击成分削掉一部分。实际操作中K一般取3到10之间有物理意义alpha取100到3000之间比较合理。这两个参数的组合决定了VMD对故障冲击信号的分辨能力。用MSO来搜索这个二维空间的优势在于它不需要像网格搜索那样遍历所有组合而是用种群迭代的方式在候选区域里快速逼近最优解。2.4 适应度函数的选取经验MSO作为一个优化算法它只能按一个标量值来评判“好坏”。所以关键问题变成了什么样的VMD分解结果算“好”我实验里用的主适应度函数是包络熵Envelope Entropy。包络熵的计算流程是对振动信号做Hilbert变换得到解析信号再取模得到瞬时包络最后对包络信号计算信息熵。信号中的冲击成分越突出包络波形就越稀疏此时包络熵越小。所以适应度函数的优化方向是最小化包络熵——找到一组参数使VMD分解后的模态分量表现出最明显的冲击特征。需要注意的是这里不是对整个分解结果算一个包络熵而是要对每个模态分别计算包络熵然后挑选最小模态包络熵作为适应度评估的依据。原因在于故障冲击频率只集中在部分频带某一个模态会把冲击成分大部分吸收掉这个模态的包络熵会明显小于其他分量。这个“最小模态包络熵”正是衡量分解效果的关键指标。我还试过把峭度作为适应度函数效果也还行但对噪声的敏感度比包络熵高不少。如果你用的信号噪声比较强烈建议用包络熵如果信号比较干净、故障特征明显用峭度或包络熵差异都不大。也可以两者加权组合。不过加权因子怎么定又成了一个新的调参问题前期实验阶段没必要在这种地方钻牛角尖先用单指标包络熵跑通全流程再说。3. Matlab实现细节与实操步骤3.1 环境准备与工具箱配置这个项目全程在Matlab里跑对版本有一定要求。CNN训练用的深度学习工具箱要求R2019b以后的版本BILSTM层的支持是R2019a开始完整提供的建议直接上R2020之后版本兼容性最好。另外需要信号处理工具箱Hilbert变换、包络谱分析这些函数都在里面。VMD本身在Matlab里没有官方内置函数需要引入第三方实现。网上流传比较广的VMD函数文件是一份基于论文原始公式实现的Matlab版本函数的调用签名是[U, U_hat, omega] VMD(signal, alpha, tau, K, DC, init, tol)注意这个函数名VMD没有放在任何官方工具箱里需要把函数文件放到当前路径或添加进Matlab路径。运行时先确认函数文件路径已添加否则会直接报“未定义函数或变量”的错误。这是最常出现在新手身上的第一个坑。训练CNN和LSTM需要Parallel Computing Toolbox做GPU加速。如果没有NVIDIA显卡或者没装CUDA也可以纯CPU跑速度慢一些但能接受。3.2 信号预处理与VMD分解的关键操作拿到原始振动信号之后不是直接丢给VMD就完事了。我习惯先做几步基础预处理去均值、去趋势项、归一化。去均值尤其重要VMD对直流分量比较敏感如果信号均值不为零分解出的第一个模态往往是直流偏置对后续分析没有帮助。归一化之后再调用VMD函数。以MSO寻优得到的一组参数为例% 原始振动信号长度N N length(signal); signal signal - mean(signal); % 去均值 signal signal / max(abs(signal)); % 归一化 % VMD参数 alpha 1200; % 惩罚因子MSO寻优得到 tau 0; % 噪声容忍度一般固定为0 K 5; % 模态数MSO寻优得到 DC 0; % 首位分量是否为直流分量设为0表示不强制 init 1; % 中心频率初始化方式1为均匀初始化 tol 1e-7; % 收敛阈值 [U, U_hat, omega] VMD(signal, alpha, tau, K, DC, init, tol); % U是K行N列的矩阵每一行是一个模态分量U的维度是K×N逐行对应各模态。这一步做完相当于把一维信号变成了K个“通道”后续CNN把它当多通道输入来处理有点像图像分类里的RGB通道。为了提升计算效率我没有把K个模态全部保留而是根据包络熵从低到高排序只取包络熵最小的3~4个模态拼接后作为CNN-LSTM网络的输入。实测表明包络熵最小的少数几个模态几乎包含了所有故障信息其余模态贡献的增量特征极少却大幅增加了计算量。3.3 构建训练样本集故障诊断里的数据样本划分是个关键步骤。不能把一条长信号全部丢进网络当单个样本那样样本量完全不够而且网络学不到局部特征。正确做法是做滑窗切片。我的做法是对每个模态分量以固定窗口长度比如1024个采样点做滑动窗口截取步长取256个采样点这样相邻窗口之间有重叠相当于做了数据增强增加了样本数量。每一组窗口内K个模态的对应片段叠放在一起构造成一个K×1024的样本矩阵。样本的标签来源于实验台记录的故障类型。整个样本集划分成训练集、验证集和测试集比例我用的7:1.5:1.5并且要求同一个原始信号段产生的滑动窗口不能同时落到训练集和测试集里否则会造成数据泄漏准确率高得离谱但毫无意义。这一点务必检查清楚。3.4 CNN-LSTM网络搭建与参数设定网络的输入层要接序列输入。这里有个容易出错的地方sequenceInputLayer期望的输入维度是[特征维度, 1]其中特征维度可以理解为通道数。因为我们把VMD后的模态当作通道输入维度就是K实际保留了3~4个模态。为了后面的卷积方便我在输入层后续接了一维卷积层。如果用LSTM作为循环层layers [ sequenceInputLayer([numFeatures, 1]) convolution1dLayer(3, 32, Padding, same) batchNormalizationLayer reluLayer maxPooling1dLayer(2, Stride, 2) convolution1dLayer(3, 64, Padding, same) batchNormalizationLayer reluLayer maxPooling1dLayer(2, Stride, 2) lstmLayer(64, OutputMode, last) dropoutLayer(0.3) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer ];如果把LSTM换成BILSTM只需要把lstmLayer改成bilstmLayer其他全都不用动bilstmLayer(64, OutputMode, last)CNN段的设计理念是第一层卷积核大小为3提取细粒度的局部冲击特征输出32个特征通道池化层把序列长度压缩一半减少后续LSTM的时间步数第二层卷积进一步抽象特征输出64个通道。等到进入LSTM时序列长度已经从1024压缩到256LSTM的计算压力大大减小。这一步“先用CNN降维、再用LSTM建时序模型”的顺序比直接拿完整序列喂LSTM要快很多内存占用也更低。训练选项的设置同样重要options trainingOptions(adam, ... MaxEpochs, 80, ... MiniBatchSize, 32, ... InitialLearnRate, 0.001, ... LearnRateSchedule, piecewise, ... LearnRateDropFactor, 0.5, ... LearnRateDropPeriod, 20, ... ValidationData, {XValidation, YValidation}, ... ValidationFrequency, 20, ... Shuffle, every-epoch, ... Plots, training-progress, ... Verbose, true);学习率初始0.001是adam优化器比较稳妥的起点。如果损失曲线波动太大改成0.0005从头训练。MiniBatchSize的选择要看显存大小32在大多数环境下都能跑。3.5 分类结果评估与混淆矩阵分析网络训练完成后测试集的评估不能只看一个准确率。我习惯把混淆矩阵打出来看每一类故障的互混情况。在Matlab里用confusionchart函数就能直接可视化YPred classify(net, XTest); cm confusionchart(YTest, YPred);我在实验中发现最容易混淆的往往是正常状态和早期微弱故障。两者的包络谱特征在若干频段上重叠度很高CNN提取出的局部特征差异不足以完全拉开。这时BILSTM的优势会比较明显因为弱故障的冲击会在时间轴上呈现周期性双向的时间上下文能捕捉到这种周期性而单向LSTM的滞后性会让它漏掉某些上下文呼应。在最终对比里我记录了三个模型单独CNN、CNN-LSTM、CNN-BILSTM分别跑同一份测试集。CNN的准确率约93.5%CNN-LSTM约96.8%CNN-BILSTM约97.4%。BILSTM比LSTM提升不到1个百分点但训练时间长了近一倍。如果你的场景是实时性要求较高的在线诊断LSTM可能性价比更高离线高精度分析BILSTM更值得。4. 常见问题与排查技巧实录4.1 VMD分解出现模态混叠现象是某个模态分量里同时含有多个频带的能量或者两个相邻模态的频谱明显重叠。原因排查顺序是这样第一看K是不是给小了。故障频率成分比较复杂时K3可能不够用至少从5开始试。第二看alpha是不是太小。alpha太小导致带宽约束太松两个相邻模态就会“抢”同一段频率。第三检查信号是否做好了去均值和归一化。没去均值会导致低频区出现一个偏置模态占据有效频率空间。一个实用排查技巧每次MSO得到最优参数后都把VMD的频谱图画出来看一遍。如果K和alpha的参数组合导致模态中心频率分布出现明显间隔不均匀直接降低K值重新寻优。4.2 训练集准确率高但测试集表现差典型的过拟合。故障诊断的数据量通常不大深度网络很容易把训练集的噪声细节也背下来。我常用的对抗手段有三个在LSTM层后加dropout层丢弃概率0.3~0.5。训练时打开验证集并用early stopping机制。Matlab的trainingOptions里没有直接的early stopping参数但可以通过验证准确率连续N轮不提升时手动终止。% 手动早停的小技巧 if iter 10 valAccuracy(end) max(valAccuracy) - 0.01 % 连续多轮验证准确率回退提前终止 end做数据增强滑窗步长改小一点让更多重叠窗口产生更多样本。步长从256改成128样本量可以翻一倍代价是训练时间变长。4.3 LSTM训练时间过长LSTM的循环展开机制让它在长序列上特别慢。我的经验是通过CNN先压缩时间维度两层池化已经能把长度压到四分之一。如果你发现训练一轮要几分钟检查池化层的Stride是否生效了。卷积层的Padding选择same会保持时间长度不变所以真正起作用的是maxPooling1dLayer的压缩这个设置一定要保留。还可以考虑把批大小调大例如64GPU利用率更高。如果训练集样本接近几万且每个样本长度1024以上MiniBatchSize 32在GPU上可能跑不满会导致训练时间虚胖。4.4 MSO寻优结果不稳定这个问题的根源在于群体智能算法本身有随机性。一次寻优得到的K和alpha可能不是全局最优而是某个局部最优区域。我的对策是多次运行取平均MSO程序跑5次每次寻优后都记录一次K和alpha最后取频率最高的参数组合。5次运行下来正常信号的最优K基本稳定在5或6alpha在800~1500区间内浮动。如果两次运行的结果波动过大优先检查种群规模和迭代次数是否太小或者适应度函数是否对参数变化太钝感。4.5 维度不匹配或训练报错Matlab里深度学习的维度报错是高频问题。最常见的报错是“训练数据有误序列数据的特征维度不匹配”。排查方法就是一步步检查输入层sequenceInputLayer传入的特征维度必须等于样本矩阵的行数。如果样本矩阵维度是4×1024输入层就是[4, 1]。一维卷积的通道数输出是自定义的不用管上一层的通道数是否一致。进入全连接层之前LSTM/BILSTM层的OutputMode必须设为last使输出形状变成[batchSize, numHiddenUnits]才能接全连接层。如果设成sequence输出变成序列形状全连接层会直接报维度错。5. 实际调试中的一点延伸经验这个项目做完后我又把整套流程换到另一组不同转速条件下采集的信号上试了一遍。刚开始直接沿用之前的K5、alpha1200参数结果准确率掉了好几个百分点。后来重新让MSO跑了一遍寻优新工况下的最优参数变成了K6、alpha2600替换之后准确率基本恢复到了原来的水平。这个现象说明了一件事VMD参数对工况变化非常敏感机械设备的转速、载荷一变故障频率成分整体平移最优分解参数也会跟着变。但好消息是只要像这个项目一样引入MSO这一步参数寻优是自动完成的不需要人每次手动调。我甚至试过把采样频率从12kHz换到24kHz整个链路依然能工作只是滑窗长度从1024调整到了2048LSTM的隐藏单元数稍微加了一些。所以我的体感是如标题所示这套“MSO-VMD-CNN-LSTM/BILSTM”的价值在于每个环节都承担了各自最擅长的工作优化算法处理参数自适应信号分解处理特征分离卷积和循环网络处理时空特征各个模块之间松耦合。你不需要对每个模块做更复杂的魔改先把链路跑通、把评估体系搭起来就已经能获得相当稳定的诊断精度。之后如果再想往上提可以从组合适应度函数、多目标寻优、以及注意力机制这几个方向继续扩展。做故障诊断的人都知道工业现场的数据比实验室数据脏得多提前把参数自适应这层做好后面移植到真实设备时会省下无数个“换了个工况重新调参”的深夜。
阅读完成 · 觉得有帮助？
