簡介《2025年華為杯E題高速列車軸承智能故障診斷問題》思路、Matlab代碼與論文內(nèi)容合并在一個(gè)docx文檔中面向參加數(shù)學(xué)建模競賽或從事故障診斷研究的本碩學(xué)生可系統(tǒng)輔助完成賽題方案設(shè)計(jì)、模型構(gòu)建與論文寫作。該文件共1個(gè)docx體積約703KB涵蓋賽題解析、軸承故障特征提取、源域診斷、遷移診斷及可解釋性分析等核心環(huán)節(jié)并配有可直接運(yùn)行的案例數(shù)據(jù)支持Matlab 2014/2019a/2024a版本。代碼采用參數(shù)化編程改參即可適配不同工況注釋清晰、邏輯明確便于理解與二次開發(fā)同時(shí)提供論文結(jié)構(gòu)參考可作為課程設(shè)計(jì)、期末大作業(yè)或畢業(yè)設(shè)計(jì)的模板。文檔聚焦高速列車軸承智能診斷中的實(shí)測數(shù)據(jù)稀缺與樣本不平衡問題結(jié)合遷移學(xué)習(xí)給出完整解決路徑目前已吸引123人學(xué)習(xí)瀏覽適合需要快速搭建診斷模型、復(fù)現(xiàn)賽題及撰寫論文的同學(xué)。1. 高速列車軸承智能故障診斷這不是深度學(xué)習(xí)題是特征工程題第一次打開2025年華為杯E題的高速列車軸承數(shù)據(jù)包時(shí)很多隊(duì)伍直接上了CNN和LSTM結(jié)果在訓(xùn)練集上跑出99%的準(zhǔn)確率提交后分?jǐn)?shù)卻低得離譜。這個(gè)賽題表面上叫“智能故障診斷”實(shí)際拼的是信號處理和特征工程的功底而不是網(wǎng)絡(luò)結(jié)構(gòu)有多新。軸承故障診斷的物理機(jī)理非常明確——故障會(huì)調(diào)制出特定的沖擊頻率成分只要能把頻帶特征干凈地提出來一個(gè)線性分類器就能解決大部分問題。本文從賽題數(shù)據(jù)分析講起逐步拆解一條用Matlab實(shí)現(xiàn)、可復(fù)現(xiàn)、能寫進(jìn)論文DOCX的完整路線最后給出評閱視角下最容易丟分的坑和三個(gè)實(shí)際提分技巧。適合正在備賽的建模隊(duì)伍也適合想把振動(dòng)診斷方法遷移到項(xiàng)目里的工程人員。2. 建模路線怎么選讀懂賽題給的數(shù)據(jù)結(jié)構(gòu)再定特征與分類器2.1 競賽題和工程項(xiàng)目要分清先看輸入信號類型再做路線高速列車軸承的故障診斷賽題通常給兩類數(shù)據(jù)一類是已經(jīng)切分好的樣本每個(gè)樣本是一段固定長度的加速度振動(dòng)信號標(biāo)簽在文件名或者單獨(dú)的CSV里另一類是長時(shí)監(jiān)測數(shù)據(jù)要求自行切窗并識(shí)別故障時(shí)間段。這兩種輸入對應(yīng)的路線完全不同。常見做法是先看數(shù)據(jù)包里的文件命名。如果文件名包含類似內(nèi)圈故障、外圈故障、滾動(dòng)體故障、正常這樣的關(guān)鍵字說明每個(gè)文件就是一整段連續(xù)信號需要自己滑動(dòng)窗口切分。如果文件名是編號旁邊有一個(gè)CSV記錄每行的標(biāo)簽說明賽方已經(jīng)把信號切成了定長樣本直接讀入做特征提取就行。這兩種情況我處理過多次前者的預(yù)處理代碼量明顯更大因?yàn)榍写暗拈L短和重疊率直接影響后續(xù)特征質(zhì)量。工程項(xiàng)目和競賽題還有一個(gè)本質(zhì)區(qū)別工程項(xiàng)目需要在線實(shí)時(shí)診斷模型必須在毫秒級出結(jié)果因此特征要盡量簡單競賽題離線運(yùn)行可以容忍復(fù)雜的小波包分析、譜峭度計(jì)算和集成模型。拿到題先搞清楚數(shù)據(jù)形態(tài)、時(shí)長、采樣率再?zèng)Q定要不要上深度網(wǎng)絡(luò)。很多D題、E題的失敗都源于從一開始就選錯(cuò)了信號處理的粒度。2.2 三個(gè)技術(shù)路線橫向?qū)Ρ葧r(shí)域統(tǒng)計(jì)、頻域包絡(luò)、深度特征第一條路線是純粹的時(shí)域統(tǒng)計(jì)特征包括均值、方差、峰值因子、峭度、偏度、波形因子再加上一個(gè)簡單的閾值判斷。這條路線在軸承故障早期階段往往不夠靈敏因?yàn)楣收蠜_擊幅度還很小時(shí)域統(tǒng)計(jì)量區(qū)分度不高。但優(yōu)點(diǎn)是計(jì)算極快而且物理意義明確論文里好寫。第二條路線是頻域和包絡(luò)譜分析。軸承故障會(huì)周期性撞擊缺陷位置產(chǎn)生高頻共振再被調(diào)制到固有頻率上。直接用FFT看不出來但做希爾伯特變換得到包絡(luò)信號再FFT就能在包絡(luò)譜上看到明顯的故障特征頻率。常見做法是先帶通濾波再取包絡(luò)譜用特征頻率處的幅值作為特征這條路線是機(jī)械故障診斷行業(yè)的基準(zhǔn)方案穩(wěn)定性最好。第三條路線是深度特征直接用一維CNN或者LSTM學(xué)特征。這條路線在純數(shù)據(jù)競賽里上限高但樣本量通常只有幾千段很容易過擬合而且賽題評閱看重物理可解釋性卷積網(wǎng)絡(luò)是黑匣子。我的建議是如果最終要交論文先把前兩條路線的結(jié)果做到足夠好再考慮用深度特征做融合而不是一上來就訓(xùn)練網(wǎng)絡(luò)。拿不到高分的原因很多時(shí)候不是模型不夠強(qiáng)而是信號底層的物理特征被噪聲蓋住了。2.3 我用得最多的分工方案Matlab做主流程論文按圖表反推賽題要求交Matlab代碼和論文docx這個(gè)組合本身就決定了技術(shù)分工。Matlab在信號處理工具箱上幾乎是零成本上手pwelch做功率譜密度、hilbert做包絡(luò)、wpdec做小波包分解都是一行命令相比Python動(dòng)不動(dòng)要寫十幾行的類封裝Matlab的前期驗(yàn)證周期短得多。我處理類似題目時(shí)采用的方案是這樣Matlab負(fù)責(zé)全部數(shù)據(jù)讀取、預(yù)處理、特征提取、分類器訓(xùn)練和可視化出圖論文部分先用Matlab生成所有實(shí)驗(yàn)圖表再按圖表結(jié)構(gòu)反推論文章節(jié)。這樣既能保證論文里的每一個(gè)圖都是真實(shí)代碼跑出來的又能在寫論文時(shí)直接引用運(yùn)行結(jié)果不會(huì)出現(xiàn)理論和實(shí)驗(yàn)對不上的尷尬。尤其注意把特征提取代碼和分類代碼分開存放方便論文附錄里貼代碼時(shí)結(jié)構(gòu)清晰。3. 用 Matlab 跑通故障診斷全流程從振動(dòng)信號到可視化分類3.1 信號導(dǎo)入、降噪與重采樣一段能跑的預(yù)處理代碼拿到高速列車軸承振動(dòng)數(shù)據(jù)后第一步是統(tǒng)一數(shù)據(jù)格式。無論賽題給的是.mat、.csv還是.xlsx都要先檢查采樣率是否一致、有沒有缺失值和異常尖峰。常見做法是先用dir遍歷文件夾批量讀入數(shù)據(jù)再統(tǒng)一長度。如果各樣本長度不一致要按最短長度截?cái)嗷蜃鲋夭蓸訉R否則后續(xù)特征矩陣無法建立。% 批量讀取軸承振動(dòng)信號并統(tǒng)一長度 dataDir ./bearing_data; % 數(shù)據(jù)文件夾路徑 fileList dir(fullfile(dataDir, *.mat)); fs 25600; % 采樣率單位Hz按賽題說明改 winLen 2048; % 每個(gè)樣本的采樣點(diǎn)數(shù) allSignals []; labels []; for i 1:length(fileList) load(fullfile(dataDir, fileList(i).name), sig); sig sig(:); % 轉(zhuǎn)為行向量 % 去趨勢項(xiàng)消除傳感器零漂 sig detrend(sig); % 按固定窗長切分這里重疊率為50% segNum floor((length(sig) - winLen) / (winLen * 0.5)) 1; for j 1:segNum startIdx (j - 1) * round(winLen * 0.5) 1; seg sig(startIdx : startIdx winLen - 1); % 簡單的閾值去野點(diǎn)超過6倍標(biāo)準(zhǔn)差置為局部中值 segStd std(seg); if segStd 0 seg(abs(seg - mean(seg)) 6 * segStd) median(seg); end allSignals [allSignals; seg]; labels [labels; getLabelFromName(fileList(i).name)]; end end這段代碼的核心邏輯有三個(gè)第一detrend去掉趨勢項(xiàng)因?yàn)檩S承傳感器安裝面可能受溫度或結(jié)構(gòu)變形影響信號會(huì)有一個(gè)緩變的直流漂移不去掉會(huì)影響后續(xù)峭度計(jì)算第二重疊50%的滑動(dòng)窗是為了增強(qiáng)樣本數(shù)量同時(shí)保證沖擊成分不會(huì)恰好落在窗邊界被截?cái)嗟谌包c(diǎn)替換用的是6倍標(biāo)準(zhǔn)差這個(gè)閾值適用于大多數(shù)振動(dòng)信號如果數(shù)據(jù)特別清潔可以不動(dòng)。切窗長度按2048點(diǎn)設(shè)置對應(yīng)約0.08秒對軸承外圈故障的沖擊周期足夠覆蓋多個(gè)沖擊事件。實(shí)際使用時(shí)需要根據(jù)賽題給的采樣率和故障特征頻率適當(dāng)調(diào)整總原則是一個(gè)窗口內(nèi)至少包含5到10個(gè)故障沖擊周期。3.2 時(shí)域頻域小波包特征提取讓每個(gè)樣本變成一個(gè)向量切完窗后每個(gè)樣本都是一段2048點(diǎn)的時(shí)域波形。接下來核心工作是把每段波形壓縮成一個(gè)多維特征向量。這一步是整個(gè)賽題的分水嶺特征選得好后面的分類器隨便選都能出成績特征選得不好換什么分類器都是徒勞。% 特征提取時(shí)域統(tǒng)計(jì) 頻域譜 小波包能量 function featVec extractFeatures(seg, fs) % ---- 時(shí)域特征 ---- rmsVal rms(seg); peakVal max(abs(seg)); kurtVal kurtosis(seg); skewVal skewness(seg); crestFactor peakVal / (rmsVal eps); % ---- 頻域特征 ---- L length(seg); f (0:L-1) * fs / L; Y fft(seg - mean(seg)); P2 abs(Y / L); P1 P2(1:floor(L/2)1); f1 f(1:floor(L/2)1); % 幅值加權(quán)平均頻率 meanFreq sum(f1 .* P1) / (sum(P1) eps); % 頻帶能量占比按故障特征頻率區(qū)間劃分 band1 sum(P1(f1 80 f1 200)); % 低頻段能量 band2 sum(P1(f1 200 f1 800)); % 中頻段能量 % ---- 小波包能量特征 ---- wpt wpdec(seg, 3, db4); % 3層小波包分解db4小波基 E wprcoef(wpt, [3 0]); % 提取第3層各頻帶系數(shù) for k 1:7 nodeCoeff wprcoef(wpt, [3 k]); E(k1) sum(nodeCoeff.^2); % 每個(gè)頻帶的能量 end E E / (sum(E) eps); % 能量歸一化 featVec [rmsVal, peakVal, kurtVal, skewVal, crestFactor, ... meanFreq, band1, band2, E(:)]; end這段特征提取里最容易理解錯(cuò)的是小波包部分。wpdec做的是把信號同時(shí)分解低頻和高頻細(xì)節(jié)不像普通小波只分解低頻。第3層總共有8個(gè)頻帶每個(gè)頻帶的能量占比反應(yīng)了信號在不同頻段上的分布模式。正常軸承信號的能量集中在低頻故障軸承高頻段占比會(huì)明顯上升這種特征比單純用FFT包絡(luò)譜更穩(wěn)定因?yàn)樾〔ò苓m配非平穩(wěn)的沖擊信號。db4小波基是軸承診斷里使用最頻繁的基函數(shù)它的時(shí)域波形和軸承沖擊響應(yīng)形態(tài)接近不建議換成haar或sym2。提取的特征向量維度為15維包含了時(shí)域、頻域和時(shí)頻域信息對于SVM或隨機(jī)森林來說這個(gè)維度非常友好既不會(huì)稀疏也不會(huì)過于冗余。3.3 故障分類與混淆矩陣用交叉驗(yàn)證撐起論文圖表特征矩陣就緒后分類器選擇就輕松很多。軸承故障診斷里最常見的做法是用多分類SVM因?yàn)闃颖玖啃?、特征維度低SVM的泛化能力往往優(yōu)于隨機(jī)森林而且徑向基核函數(shù)的參數(shù)只有兩個(gè)調(diào)參成本低。這里要特別強(qiáng)調(diào)驗(yàn)證方式賽題數(shù)據(jù)常常是同一工況下連續(xù)采集的如果隨機(jī)劃分訓(xùn)練集和測試集相鄰樣本之間高度相關(guān)會(huì)造成嚴(yán)重的數(shù)據(jù)泄露正確做法是按文件或按時(shí)間段劃分?jǐn)?shù)據(jù)。% 使用PCA降維 多分類SVM按文件分組劃分訓(xùn)練集 X featureMatrix; % N x 15 特征矩陣 Y labelVector; % N x 1 標(biāo)簽1正常 2內(nèi)圈 3外圈 4滾動(dòng)體 grp fileGroupIndex; % 每個(gè)樣本所屬的源文件編號 % 按文件編號分層劃分訓(xùn)練集避免數(shù)據(jù)泄露 rng(42); % 取前70%的文件作為訓(xùn)練后30%作為測試 trainMask grp round(max(grp) * 0.7); Xtrain X(trainMask, :); Ytrain Y(trainMask); Xtest X(~trainMask, :); Ytest Y(~trainMask); % 先標(biāo)準(zhǔn)化再PCA保留95%能量 mu mean(Xtrain); sigma std(Xtrain); XtrainNorm (Xtrain - mu) ./ (sigma eps); XtestNorm (Xtest - mu) ./ (sigma eps); [coeff, score, latent] pca(XtrainNorm); totalVar cumsum(latent) / sum(latent); k find(totalVar 0.95, 1); XtrainPca score(:, 1:k); XtestPca (XtestNorm - mean(XtrainNorm)) * coeff(:, 1:k); % 訓(xùn)練RBF-SVM并做五折交叉驗(yàn)證 mdl fitcecoc(XtrainPca, Ytrain, ... Learners, templateSVM(KernelFunction, rbf, ... KernelScale, auto, BoxConstraint, 1), ... Coding, onevsone); cvmdl crossval(mdl, KFold, 5); loss kfoldLoss(cvmdl); fprintf(五折交叉驗(yàn)證準(zhǔn)確率: %.2f%%\n, (1 - loss) * 100); % 測試集評估 Ypred predict(mdl, XtestPca); acc sum(Ypred Ytest) / length(Ytest); figure; confusionchart(Ytest, Ypred);這段代碼里最關(guān)鍵的兩個(gè)點(diǎn)一是按文件分組劃分?jǐn)?shù)據(jù)二是PCA在訓(xùn)練集上擬合后直接變換測試集。按文件劃分是因?yàn)橥晃募?nèi)相鄰采樣點(diǎn)高度相似如果隨機(jī)打亂后再分訓(xùn)練測試模型相當(dāng)于偷看了鄰近樣本測試分?jǐn)?shù)會(huì)虛高10個(gè)百分點(diǎn)以上。PCA的實(shí)現(xiàn)細(xì)節(jié)也容易出錯(cuò)必須用訓(xùn)練集的均值和標(biāo)準(zhǔn)差去標(biāo)準(zhǔn)化測試集絕不能把測試集混進(jìn)來一起算否則就是信息泄露。fitcecoc是多分類SVM的包裝器內(nèi)部用了多個(gè)二分類器組合BoxConstraint默認(rèn)設(shè)為1對標(biāo)準(zhǔn)化特征來說足夠。跑完這段代碼輸出混淆矩陣圖這張圖可以直接放進(jìn)論文的實(shí)驗(yàn)結(jié)果部分。3.4 代碼邏輯與關(guān)鍵參數(shù)說明調(diào)參與邊界行為特征提取和分類的代碼跑通之后還有一個(gè)不能跳過的步驟理解每個(gè)參數(shù)對結(jié)果的影響邊界。下面把這個(gè)流程里最值得注意的參數(shù)整理出來這些參數(shù)不是隨便設(shè)置的每一個(gè)都對應(yīng)一種實(shí)際工況中的物理含義。參數(shù)默認(rèn)值調(diào)整方向說明滑動(dòng)窗長度2048點(diǎn)增大則樣本變少特征更穩(wěn)定減小則時(shí)間分辨率變高需保證窗口內(nèi)至少包含數(shù)個(gè)故障沖擊周期滑窗重疊率50%提高到75%可增加樣本量但樣本間相關(guān)性增強(qiáng)注意不要因此引入數(shù)據(jù)泄露野點(diǎn)閾值6倍標(biāo)準(zhǔn)差數(shù)據(jù)干凈時(shí)可降到8傳感器偶發(fā)斷線時(shí)必須用閾值過小會(huì)把真實(shí)沖擊當(dāng)成野點(diǎn)濾掉小波包層數(shù)3層層數(shù)越高頻帶越細(xì)但特征維度成倍增加4層以上需要更多樣本支撐PCA保留能量95%降到90%會(huì)損失部分區(qū)分信息升到99%則幾乎不降維高維特征下按驗(yàn)證集準(zhǔn)確率選擇SVM核函數(shù)RBF線性核更適合高維稀疏特征RBF適合低維稠密特征只有在特征維度超過幾百時(shí)才考慮線性核對于狀態(tài)監(jiān)測、故障診斷這類數(shù)據(jù)算法代碼的結(jié)果常常會(huì)呈現(xiàn)出一種趨勢時(shí)域統(tǒng)計(jì)特征對早期微弱故障不敏感頻帶能量特征對轉(zhuǎn)速波動(dòng)很敏感小波包能量對沖擊型故障最有效。如果賽題加入了變轉(zhuǎn)速工況轉(zhuǎn)速信息最好作為額外特征拼進(jìn)去否則故障特征頻率會(huì)隨轉(zhuǎn)速漂移固定頻帶的能量特征就失效了。遇到這種邊界情況建議多看轉(zhuǎn)速通道或賽題說明里的工況描述不要盲目調(diào)SVM參數(shù)而忽略原始信號本身的物理變化。4. 高速列車軸承診斷的 4 個(gè)必坑點(diǎn)數(shù)據(jù)泄露、樣本不均衡、過擬合與論文圖表脫節(jié)4.1 數(shù)據(jù)泄露歸一化和特征選擇的順序不對結(jié)果全假現(xiàn)象訓(xùn)練集上交叉驗(yàn)證準(zhǔn)確率99%測試集上卻只有70%出頭。原因最常見的是把測試集數(shù)據(jù)一起做了標(biāo)準(zhǔn)化、PCA擬合或者特征選擇相當(dāng)于模型提前看到了測試集的統(tǒng)計(jì)信息。另一個(gè)常見來源是按樣本隨機(jī)劃分而不是按文件劃分。軸承數(shù)據(jù)是時(shí)間序列相鄰樣本高度相似隨機(jī)打亂后同一文件的樣本會(huì)同時(shí)出現(xiàn)在訓(xùn)練集和測試集中模型實(shí)際上是在做記憶而不是泛化。解決代碼執(zhí)行順序必須是先劃分訓(xùn)練測試集再在訓(xùn)練集上擬合標(biāo)準(zhǔn)化參數(shù)、PCA變換矩陣和特征選擇結(jié)果最后把這些參數(shù)應(yīng)用到測試集。我的習(xí)慣是在特征提取階段就把每個(gè)樣本記錄其源文件編號后續(xù)所有劃分操作都以文件為單位進(jìn)行杜絕同一文件的數(shù)據(jù)同時(shí)跨越訓(xùn)練測試邊界。4.2 樣本不均衡故障樣本少準(zhǔn)確率虛高現(xiàn)象混淆矩陣顯示正常和某種故障類型的召回率都在90%以上但另一種故障的召回率只有50%。原因軸承賽題中外圈故障和滾動(dòng)體故障的發(fā)生概率天然不同外圈故障更容易采集滾動(dòng)體故障樣本數(shù)量經(jīng)常只有前者的三分之一。如果按原始比例訓(xùn)練SVM多數(shù)類會(huì)主導(dǎo)決策邊界少數(shù)類被系統(tǒng)性地忽略。解決不要簡單地對少數(shù)類過采樣振動(dòng)信號過采樣容易導(dǎo)致過擬合。更實(shí)用的做法是在fitcecoc里給每個(gè)類別設(shè)置不同的先驗(yàn)權(quán)重或者用SMOTE做少數(shù)類插值但要注意只在訓(xùn)練集內(nèi)部做插值測試集保持原始分布。另外交叉驗(yàn)證時(shí)必須使用分層抽樣保證每一折里各類別比例一致。4.3 過擬合把測試集當(dāng)驗(yàn)證集反復(fù)調(diào)參現(xiàn)象對模型反復(fù)調(diào)整SVM的BoxConstraint和小波包層數(shù)每次都用測試集分?jǐn)?shù)判斷好壞最終測試集準(zhǔn)確率越來越高但論文里換一組新數(shù)據(jù)后模型立刻翻車。原因這是典型的拿測試集當(dāng)驗(yàn)證集用。多次迭代調(diào)整超參數(shù)實(shí)際上把測試集的信息融入了模型選擇過程測試分?jǐn)?shù)已經(jīng)失去公正性。解決嚴(yán)格劃分三個(gè)集合。訓(xùn)練集用來擬合模型驗(yàn)證集用來調(diào)超參數(shù)測試集只準(zhǔn)在最終評估時(shí)碰一次。如果賽題沒有單獨(dú)提供驗(yàn)證集就從訓(xùn)練集里再切出一小塊。我的做法是把rng固定確保每次跑出來的劃分一致并且把調(diào)參過程記錄到日志里后續(xù)寫論文時(shí)能夠清楚地說明每個(gè)參數(shù)選定的依據(jù)。4.4 論文圖表與代碼結(jié)果脫節(jié)評閱視角下的嚴(yán)重扣分點(diǎn)現(xiàn)象論文里貼了一張時(shí)域波形圖和一張包絡(luò)譜圖但和正文描述的特征頻率對不上分類性能表里的數(shù)字在提交的代碼里也復(fù)現(xiàn)不出來。原因賽程后期時(shí)間緊張論文和代碼往往由不同成員分開完成。寫論文的同學(xué)直接從文獻(xiàn)里找了一張類似的頻譜圖放進(jìn)去而代碼跑出來的實(shí)際圖在另一臺(tái)電腦上沒同步過來導(dǎo)致數(shù)據(jù)和文字兩個(gè)版本。解決我的做法是建立一條硬規(guī)矩論文里出現(xiàn)的每一個(gè)數(shù)據(jù)圖都必須由Matlab腳本直接生成腳本運(yùn)行完自動(dòng)保存到./figs目錄。寫論文時(shí)只從該目錄取圖任何人不得從外部來源搬運(yùn)圖表。最后交卷前做一次完整復(fù)現(xiàn)清空工作區(qū)按主腳本從頭跑到尾確認(rèn)論文表格里的數(shù)字和命令窗口輸出一致。這一步看起來費(fèi)時(shí)間但評閱時(shí)是用代碼復(fù)現(xiàn)論文結(jié)果這是這類型賽題評分最重要的一環(huán)。5. 從 0.91 到 0.97三個(gè)能實(shí)際提分的技巧5.1 技巧一做啟發(fā)式故障次數(shù)統(tǒng)計(jì)再定診斷粒度第一個(gè)技巧是在特征提取前先做一次最簡單的啟發(fā)式分析統(tǒng)計(jì)單位時(shí)間內(nèi)包絡(luò)幅值超過閾值的沖擊次數(shù)。正常軸承的沖擊次數(shù)均勻且稀疏故障軸承會(huì)出現(xiàn)周期性爆發(fā)。用這個(gè)統(tǒng)計(jì)量做一個(gè)粗分類能直接判斷要不要把某些相近故障類別合并處理。很多隊(duì)伍把所有類別都當(dāng)作彼此獨(dú)立的問題來分類實(shí)際滾動(dòng)體故障和保持架故障的特征頻率接近樣本邊界模糊強(qiáng)行區(qū)分反而拉低整體準(zhǔn)確率。先做粗分類再做細(xì)分兩級結(jié)構(gòu)在物理和統(tǒng)計(jì)上都更穩(wěn)論文里還能多畫一張決策流程圖。5.2 技巧二訓(xùn)練集里再切一個(gè)驗(yàn)證集用早停法選模型深度第二個(gè)技巧是針對嘗試深度特征的隊(duì)伍。如果決定在特征階段加入一維CNN一定要把訓(xùn)練數(shù)據(jù)切成訓(xùn)練子集和驗(yàn)證子集訓(xùn)練過程中監(jiān)控驗(yàn)證損失。CNN在振動(dòng)信號上的過擬合來得非?？焱ǔＪ畮讉€(gè)epoch后驗(yàn)證損失就開始反彈這時(shí)候需要保存驗(yàn)證集上表現(xiàn)最好的那一版權(quán)重復(fù)原模型而不是最后一輪的參數(shù)。這個(gè)做法在競賽里能明顯拉開差距因?yàn)榇蠖鄶?shù)隊(duì)伍都是直接訓(xùn)練幾十輪取末尾模型驗(yàn)證曲線一畫出來過擬合的情況一目了然論文實(shí)驗(yàn)部分也多了一張模型選擇的關(guān)鍵圖。5.3 技巧三畫故障機(jī)理圖把論文變成加分項(xiàng)第三個(gè)技巧在評閱維度。高速列車軸承診斷賽題評閱時(shí)技術(shù)路線圖的價(jià)值不亞于準(zhǔn)確率。常見做法是畫一張三層結(jié)構(gòu)的故障機(jī)理圖最底層是原始振動(dòng)信號經(jīng)過帶通濾波后的時(shí)域波形中間層是對應(yīng)包絡(luò)譜上的故障特征頻率標(biāo)記頂層是分類結(jié)果的混淆矩陣。這張圖能讓評閱人在十幾秒內(nèi)理解整個(gè)方法鏈條。再把提取出的特征向量做T-SNE可視化正常樣本和各類故障樣本在二維圖上的聚簇情況本身就是論文討論部分的素材。從0.91提到0.97靠的是把每一個(gè)小坑都填平評分靠的是可解釋性和圖表質(zhì)量。我?guī)н^這么多輪競賽最深的教訓(xùn)是代碼跑出來的所有中間產(chǎn)物都別再重新手算一遍去對結(jié)果直接讓腳本自動(dòng)打印和出圖省下的時(shí)間足夠把論文打磨多兩輪。希望你這次遇到E題時(shí)不會(huì)在數(shù)據(jù)泄露上栽跟頭祝順利。本文還有配套的精品資源點(diǎn)擊獲取