1.摘要
本文基于 CWRU 公开轴承数据集提出了一套"AI 轻量级模型 + LabVIEW 智能诊断系统"。
首先，LabVIEW 端构建了可视化、可交互的智能诊断平台。 系统能够加载本地振动信号数据，调用训练好的深度学习模型进行故障识别与状态判断。界面集成信号时域监测、快速傅里叶变换（FFT）频谱分析和功率谱密度（PSD）计算，能够全面展示信号在时域与频域的特征。系统支持均值、标准差、方差、偏度、峭度等多种时域特征自动提取，并通过直方图直观显示。诊断结果可实时反馈设备运行状态，提供正常/故障报警提示。该系统实现了数据处理、特征分析与智能诊断的一体化，具有跨平台融合、智能化、可扩展和可视化直观等特点，适用于旋转机械设备的状态监测与健康管理。
其次，描述了凯斯西储大学的电机试验台在 0--3 hp 四种负载、12 kHz 采样率下采集了正常、内圈、外圈及滚动体共 10 类故障状态的振动信号，并按 7/14/21 mils 三种损伤直径建立数据集。接着，提出"FFT+归一化+重塑"的数据预处理流程，将 1024 点一维时域信号转换为 32 × 32 的二维频域张量，适配轻量级卷积网络。最后，模型端采用融合深度可分离卷积与反向残差结构的轻量化主干网络，并引入深度适配网络（DAN）与最大均值差异（MMD） 实现无监督跨工况领域自适应，完成跨工况迁移诊断。
2.Labview智能诊断系统界面介绍
本系统是一个基于LabVIEW与Python融合的旋转机械信号分析与智能故障诊断平台 ，如下图所示。该系统主要面向旋转机械设备的状态监测与智能故障诊断，结合 LabVIEW的可视化界面 与 Python的深度学习模型，实现了从信号采集、分析到智能诊断的完整流程。
图1. 智能诊断系统运行界面
Labview智能诊断系统的具体功能如下：
2.1 数据加载与诊断
- 系统支持加载本地旋转机械信号数据（例如CWRU轴承数据集）。可以调用Python训练好的AI模型，实现对新输入信号的自动故障识别。
2.2 信号监测与显示
可加载并显示诊断信号的时域波形。进行快速傅里叶变换（FFT），显示信号的频域特征。提供功率谱密度（PSD）分析，辅助判别故障特征频率。
2.3 特征提取与分析
自动计算时域统计特征（均值、标准差、偏度、峭度等）。提供直方图展示时域特征分布情况。
2.4 设备状态监测
系统通过AI模型的诊断结果输出设备运行状态（如Normal、Fault）。配置报警指示灯，若发现异常则红灯报警。
2.5 Python 集成
系统能调用Python脚本和已训练好的深度学习模型。支持模型加载与预测，结合LabVIEW界面实现人机交互。Labview调用的python脚本程序如下：
python
from models.Lightweight_model import Lightweight_model
import torch
import numpy as np
from scipy.fftpack import fft
from sklearn.preprocessing import normalize as norm
def process_data(data):
# Ensure the input is a numpy array
data = np.array(data)
# Take the first 1024 points
data = data[:1024]
fft_norm = True
if fft_norm:
# FFT normalization
data = abs(fft(data))
data = norm(data.reshape(1, -1))
else:
pass
# Reshape to (1, 1, 32, 32)
data = data.reshape(1, 1, 32, 32)
# Convert to a PyTorch tensor
tensor = torch.from_numpy(data).float()
return tensor
def predict(data, model_path):
diagnostic_data = process_data(data)
model = Lightweight_model(class_num=10) # num_classes根据数据集类别数进行修改
model.load_state_dict(torch.load(model_path, map_location='cpu')) # 加载模型参数
model.eval()
with torch.no_grad():
output, _, _, _, _ = model(diagnostic_data)
_, predicted = torch.max(output.data, 1)
return predicted3. 深度自适应迁移学习网络介绍
基于Labview的智能诊断系统将调用深度自适应网络（Deep Adaptation Network，DAN）模型来完旋转机械的智能诊断。 接下来将讲解从零开始搭建深度自适应网络（Deep Adaptation Network，DAN）算法，如下图所示。项目包括加载CWRU轴承原始信号，信号处理、数据集制作，模型搭建，DAN深度领域自适应算法设计、特征可视化，混淆矩阵等流程来帮助读者学习基于迁移学习/变工况/域适应的故障诊断。学懂本项目即可了解基于迁移学习的故障诊断基本流程。本项目中[*所有程序代码包含详细的注释*]，适合新生小白学习。本项目CWRU数据集变工况迁移诊断准确率可达100%。
3.1试验台介绍
CWRU凯斯西储大学数据集包括四种轴承不同轴承健康状态，即正常状态、内圈故障、外圈故障和滚动体故障 。分别有7mils、14mils和21mils三种故障直径 （1mils=0.0254mm）。该电动机在0hp、1hp、2hp、3hp四种不同的负载 和1730r/min、1750r/min、1772r/min、1797r/min四种不同转速下收集振动信号。
3.2 数据预处理
数据预处理部分主要是将原始信号划分为训练集和测试集，以用于训练模型。该部分包括：
- 加载原始信号，从.mat原始数据中加载信号数据；
- 信号分割，即将原始信号分割为多个样本；
- 信号变换，将时域信号转换为频域信号；
- 信号归一化，将信号进行归一化处理；
- 信号重塑，将信号转换为[batch, channel, height, weight]的数据，以便于输入卷积模型；
- 数据集生成，将每个类别的样本和标签进行拼接，组成一个完成的训练集。
3.2.1加载原始信号
从mat文件中加载原始的信号，如下图所示。
3.2.2信号分割
从原始信号中随机采样n个样本长度为1024的样本，如下图所示。
3.2.3对原始信号进行FFT变换
3.2.4信号重塑
将长度为[1024]的一维频域信号重塑为[32, 32]的二维信号，如下图所示。
3.3.模型介绍
3.3.1模型结构介绍
本项目使用的轻量化模型主要由标准卷积（Conv1和Conv2）、轻量化特征提取块（Block1和Block2）和分组卷积GC组成，如下图所示。
3.3.2模型结构参数介绍
具体的模型结构如下表所示。
|---------|-------|-----|---------|------|-------|
| 结构 | 卷积核尺寸 | 步幅 | Padding | 输出通道 | 输出尺寸 |
| 信号 | -/- | -/- | -/- | 1 | 32×32 |
| Conv1 | 3×3 | 2 | 1 | 48 | 16×16 |
| PW | 1×1 | 1 | 0 | 48 | 16×16 |
| DW | 3×3 | 2 | 1 | 48 | 8×8 |
| PW | 1×1 | 1 | 0 | 48 | 8×8 |
| Avgpool | 3×3 | 2 | 1 | 48 | 8×8 |
| 特征提取模块1通道拼接 |||| 96 | 8×8 |
| PW | 1×1 | 1 | 0 | 96 | 8×8 |
| DW | 3×3 | 2 | 1 | 96 | 4×4 |
| PW | 1×1 | 1 | 0 | 96 | 4×4 |
| Avgpool | 3×3 | 2 | 1 | 96 | 4×4 |
| 特征提取模块2通道拼接 |||| 192 | 4×4 |
| GC | 3×3 | 1 | 1 | 96 | 2×2 |
| DW | 3×3 | 2 | 1 | 96 | 1×1 |
| PW | 1 | 2 | 0 | 10 | 1×1 |
4.项目程序文件
5.说明文档
详细的说明文档如下，详细讲解了基于Labview的旋转机械AI智能诊断系统项目。
