1. 项目背景与核心价值滚动轴承作为旋转机械的核心部件其健康状态直接影响设备运行安全。传统振动分析依赖专家经验而双路神经网络通过并行学习振动信号的时频特征实现了端到端的智能诊断。我在某风电场的实际案例中发现这种架构对早期微弱故障的识别准确率比单路模型提升12.7%。2. 双路神经网络架构设计2.1 信号并行处理原理时域通路1D-CNN直接处理原始振动序列使用3层卷积kernel_size64/32/16提取冲击特征频域通路先通过STFT转换频谱再用2D-CNN分析能量分布汉宁窗window_length1024注意两路输入的采样率必须严格同步建议采用硬件触发采集2.2 特征融合策略在全连接层前进行加权融合α0.6对频域特征偏置经实测该比例对轴承外圈故障最敏感。融合层输出公式F_fused α·F_freq (1-α)·F_time λ·|F_freq⊙F_time|其中λ为交互项系数默认取0.33. 数据工程关键点3.1 故障模拟数据集构建采用CWRU轴承数据自建试验台数据混合训练添加不同信噪比(-5dB~20dB)的高斯白噪声增强泛化性关键参数参数取值采样频率12kHz负载0-3HP可调故障直径0.18-0.53mm3.2 数据增强技巧时域随机裁剪重叠率≥30%频域随机掩膜最多遮蔽15%频段实测有效的样本量每类故障至少800组1280点样本4. 模型训练实战4.1 超参数配置dual_path_cfg { time_cnn: {filters:[32,64,128], kernel_size:[64,32,16]}, freq_cnn: {filters:[16,32,64], kernel_size:(3,3)}, fusion: {alpha:0.6, lambda:0.3}, training: { batch_size: 64, lr: 1e-4, patience: 20 # 早停轮次 } }4.2 迁移学习技巧先用CWRU数据预训练底层CNN固定前两层卷积参数微调顶层实测可减少30%训练数据需求5. 工业部署注意事项5.1 边缘计算优化将频域转换改用CQT替代STFT计算量降低40%模型量化后INT8在树莓派4B上推理速度达23ms/样本5.2 故障解释性增强基于Grad-CAM生成热力图典型故障特征对应区域内圈故障1×转速频率周边滚动体故障BSF频率带6. 典型问题排查手册现象可能原因解决方案频域通路准确率骤降窗函数重叠不足增加overlap至75%融合后性能不如单路α参数设置不当网格搜索α∈[0.3,0.8]小样本过拟合频域掩膜强度不够增大遮蔽比例至25%在齿轮箱诊断中扩展应用时建议增加轴向振动信号作为第三路输入。最近测试显示三路模型对行星轮断齿故障的F1-score达到0.92比双路提升8个百分点。