西储大学轴承故障预测产品系统

一、粮储装备常见故障类型
粮储装备（输送机、扒谷机、风机、提升机、电机等）的故障主要集中在以下几类：
机械类故障：轴承磨损/点蚀/剥落（最高发）、皮带跑偏/断裂、链条松弛/断链、叶片磨损。
电气类故障：电机绕组过热、绝缘老化、变频器故障、电流过载。
传动系统故障：齿轮箱磨损、联轴器失中、减速机漏油。
堵塞/卡阻：粮食湿度过高引起的物料架桥、皮带打滑堵塞。

用的是西储大学的轴承故障CWRU公开数据集，使用了CNN和lstm串联的方式，做了模型训练和鲁棒性训练

1. 数据加载与分段
- 从本地 archive/raw/ 目录读取 CWRU .mat 文件
- 按文件名关键字（normal / ir / or / b）自动分配类别标签
- 提取驱动端(DE)和风扇端(FE)两路加速度信号
- 用滑动窗口（窗口=1024，步长=1024）切分为固定长度片段
- 输出形状：(样本数, 2, 1024)

2. 数据预处理
- 按 70% / 15% / 15% 分层划分训练、验证、测试集
- 对训练集拟合 Z-score 标准化器，同一标准化器变换验证/测试集

3. 样本可视化
- 绘制每种故障类型的 DE / FE 信号样本，保存图片和对应 CSV

4. 模型构建
- 多通道 1D CNN：两层卷积+池化，提取时序特征
- LSTM：捕获序列依赖关系
- MLP 分类头：Dropout 正则化 + 两层全连接输出 4 类概率

5. 基准模型训练（无噪声，30 轮）
- 损失函数：交叉熵；优化器：SGD + 动量 + L2 权重衰减
- 记录每轮训练/验证 loss 和 accuracy，保存训练曲线图和 CSV

6. 基准模型评估
- 在干净测试集上计算精度、分类报告、混淆矩阵
- 在 SNR 30 dB → -10 dB 范围内注入 AWGN，评估噪声鲁棒性

7. 鲁棒模型训练（噪声增强，50 轮）
- 每批次随机注入 -5~30 dB 的高斯白噪声进行数据增强
- 验证阶段固定 10 dB 噪声，保持评估条件一致

8. 鲁棒性对比
- 在相同 SNR 范围内对比基准模型与鲁棒模型的精度曲线
- 在最高噪声级别（0 dB）下生成两个模型的混淆矩阵

9. Grad-CAM 可视化
- 在最后一个 Con

1. 数据加载与分段
- 从本地 archive/raw/ 目录读取 CWRU .mat 文件
- 按文件名关键字（normal / ir / or / b）自动分配类别标签
- 提取驱动端(DE)和风扇端(FE)两路加速度信号
- 用滑动窗口（窗口=1024，步长=1024）切分为固定长度片段
- 输出形状：(样本数, 2, 1024)

2. 数据预处理
- 按 70% / 15% / 15% 分层划分训练、验证、测试集
- 对训练集拟合 Z-score 标准化器，同一标准化器变换验证/测试集

3. 样本可视化
- 绘制每种故障类型的 DE / FE 信号样本，保存图片和对应 CSV

4. 模型构建
- 多通道 1D CNN：两层卷积+池化，提取时序特征
- LSTM：捕获序列依赖关系
- MLP 分类头：Dropout 正则化 + 两层全连接输出 4 类概率

5. 基准模型训练（无噪声，30 轮）
- 损失函数：交叉熵；优化器：SGD + 动量 + L2 权重衰减
- 记录每轮训练/验证 loss 和 accuracy，保存训练曲线图和 CSV

6. 基准模型评估
- 在干净测试集上计算精度、分类报告、混淆矩阵
- 在 SNR 30 dB → -10 dB 范围内注入 AWGN，评估噪声鲁棒性

7. 鲁棒模型训练（噪声增强，50 轮）
- 每批次随机注入 -5~30 dB 的高斯白噪声进行数据增强
- 验证阶段固定 10 dB 噪声，保持评估条件一致

8. 鲁棒性对比
- 在相同 SNR 范围内对比基准模型与鲁棒模型的精度曲线
- 在最高噪声级别（0 dB）下生成两个模型的混淆矩阵

9. Grad-CAM 可视化
- 在最后一个 Con