A382-基于CNNtransformer和小波去噪实现的小样本故障诊断

A382-基于CNNtransformer和小波去噪实现的小样本故障诊断

导出时间：2026/1/6 12:47:40

1、项目描述

image.png
小样本故障分类深度学习模型 对小样本条件下的 故障数据进行分类。结合CNN与Transformer 的思想为基础

2、数据集描述

一、原始数据来源与基本格式说明

本数据集来源于私有数据：高速数据采集/示波器采样的信号记录文件（CSV 格式）。 每个 CSV 文件包含一次完整的连续采样记录，文件由头部元信息和时序采样数据两部分组成。
数据来自于真实采集，非公开，共13个G，8个故障分类：
image.pngimage.png

采样与记录参数（文件头）

每个 CSV 文件头部包含如下关键信息：
  • Record Length (Analog)：5,000,000 表示单次记录包含 500 万个连续采样点
  • Sample Rate：50,000,000 Hz（50 MHz） 表示信号以 50 MHz 的采样率进行采样
  • Vertical Scale (CH3)：+10 V 表示通道 CH3 的电压量程
  • Vertical Offset (CH3)：0 V 表示通道的直流偏置
  • Horizontal Scale：0.01 s 表示时间轴的显示尺度（用于示波器显示）
这些信息用于描述数据采集条件，本项目在训练过程中不直接参与模型输入，但用于说明信号的物理意义和采样精度。

二、时序数据结构说明

在文件头之后，CSV 文件进入正式的数据区域，每一行对应一个采样点，主要包含两列：
Second, Volt
示例数据如下：
Second,Volt, -4.999998E-002, +1.176471E-001 -4.999996E-002, +7.058824E-002 -4.999994E-002, +4.705882E-002

各字段含义说明：

  • Second 表示采样点对应的时间戳（单位：秒），为相对时间轴
  • Volt 表示该时间点对应的模拟电压值（单位：伏特）
在本项目中：
  • 仅使用 Volt 列作为模型输入信号
  • 时间列未显式作为特征输入，而是隐含在采样顺序中

三、数据规模与时间长度说明

根据采样参数可以得到：
  • 采样率：50 MHz
  • 单文件采样点数：5,000,000
因此，单个 CSV 文件对应的时间长度约为：
5,000,000/50,000,000=0.1 s
即：每个 CSV 文件包含约 100 ms 的高频连续时域信号

3、模型描述

小波去噪模块（Wavelet Denoising Module）

针对高采样率一维时序信号（如振动、电流、声学信号等），实际采集过程中常伴随不同形式噪声，包括但不限于：传感器热噪声、工况波动导致的宽带扰动、电磁干扰以及非目标机械结构的耦合成分。噪声会导致故障特征（如冲击、调制、局部突变）被掩盖，从而降低模型对弱故障、早期故障或跨工况数据的识别能力。
为提升模型对噪声干扰的鲁棒性，本文在数据预处理阶段引入基于离散小波变换（Discrete Wavelet Transform, DWT）的小波去噪模块。该模块利用小波在时频局部化表达方面的优势，将信号分解为多尺度的近似分量与细节分量，通过对细节系数进行阈值化抑制高频噪声，再重构得到去噪后的时域信号。该过程既能抑制随机噪声，又能较好地保留局部瞬态故障特征。
给定长度为 N 的一维信号片段 x[n]，小波去噪通常包含三步：

（1）小波分解（Multi-level DWT）

对输入信号进行 LLL 层离散小波分解：
image.png
其中：
  • aL：第 L 层近似系数（低频/趋势成分）
  • dl：第 l 层细节系数（高频细节，多包含噪声与突变信息）
小波基（例如 db 系列、sym 系列、coif 系列）决定了分解滤波器的形状与时频特性；分解层数 L 决定尺度划分的粒度。

（2）阈值化（Thresholding）

去噪的核心是对细节系数 dl 施加阈值函数，抑制噪声主导的高频分量。本文采用常见的软阈值或硬阈值策略：
image.png
该估计对异常值鲁棒，适用于含冲击类故障特征的振动信号。

（3）信号重构（Inverse DWT）

将近似系数与阈值化后的细节系数重构回时域信号：
image.png
得到去噪后的信号片段 x~[n]，并保持与原信号相同的长度（或通过边界处理确保长度一致）。

（4）模块在整体流程中的位置

本文的小波去噪模块属于输入端预处理，在模型端到端学习之前执行。其典型位置如下：
  1. 原始信号窗口化（固定长度切片）
  2. （可选）数据增强：加性噪声注入（仅用于训练集）
  3. 小波去噪（可选开关）
  4. 归一化/标准化
  5. 输入 CNN–Transformer 分类模型
这样的顺序有两个工程优势：
  • 去噪发生在标准化前，可避免标准化把噪声能量“扩散”到整体尺度；
  • 去噪模块作为可配置组件，不改变分类模型结构，便于做消融实验（with/without denoise）。

深度学习模型总体架构

针对高采样率一维时序信号的故障分类问题，本文提出一种基于卷积神经网络与 Transformer 编码器相结合的端到端分类模型。模型以固定长度的时域信号片段作为输入，通过卷积层提取局部时序特征，再利用 Transformer 捕获长程时间依赖关系，最终实现对不同故障类别的判别。
模型整体结构，主要由以下三部分组成：
  1. 一维卷积特征提取模块（Convolutional Backbone）
  2. Transformer 编码模块
  3. 全连接分类模块

4、运行结果 

## 环境依赖
* Python 3.8
* `pandas`, `numpy`, `scikit‑learn` 用于数据处理和评估

可以通过以下命令安装依赖（若您的环境尚未安装 PyTorch，请根据官方指南选择合适版本）：

```bash
pip install torch pandas numpy scikit-learn
```

运行命令：
python train_wavelet.py --data-dir ./小样本故障数据 --epochs 15 --batch-size 128 --seq-length 1024 --add-noise-std 0.001 --add-noise-prob 0.001 --enable-wavelet-denoise
image.png image.png image.png