强噪声故障诊断新思路！从频域降噪到故障分类：FusADFaultClassifier 自适应谱降噪分类模型详解

往期精彩内容：

前言

本期我们更新一个面向强噪声故障诊断任务的创新模型：FusADFaultClassifier。该模型以 FusAD 中的自适应时频融合思想为基础，结合机械故障信号的频谱特征、冲击特征和噪声干扰特点，构建了一种面向一维振动信号分类任务的自适应谱降噪分类网络。

与常见 VGG1d、深度残差收缩网络（DRSN）等模型相比，FusADFaultClassifier 不再只依赖时域卷积特征，而是在模型内部显式引入 FFT 频域建模、自适应频谱筛选、局部卷积分支增强和交互式信息融合机制，从而提升模型在不同噪声条件下的故障识别能力。

尤其在中等噪声环境下，FusADFaultClassifier 在 CWRU 西储大学轴承数据集 和渥太华大学轴承数据集上均表现出较好的鲁棒性和分类性能，验证了其在强噪声工业故障诊断场景中的应用潜力。

● 数据集：CWRU西储大学轴承数据集、渥太华大学轴承数据集

● 环境框架：python 3.11 pytorch 2.1 及其以上版本均可运行

● 准确率：测试集99.9%

● 使用对象：初学者、论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

注意：我们还有配套的模型讲解（方便学习网络结构）和**讲解视频******！有毕业设计或者发小论文需求的同学必看，模块丰富，创新度高，性能优越！！

1 模型简介：为什么要做 FusADFaultClassifier？

1.1 信号噪声背景

在轴承、齿轮、电机等机械设备故障诊断任务中，振动信号往往具有明显的非平稳性和复杂频率结构。真实工业环境下，采集到的信号还会受到背景噪声、负载扰动、转速波动、传感器误差等因素影响。传统深度学习故障诊断模型常见做法是：

直接将原始一维振动信号输入 CNN；
或者将信号转换为时频图后输入二维视觉模型；
或者使用 ResNet、VGG、DRSN 等结构进行特征提取。

这些方法虽然有效，但仍存在几个问题：

（1）普通 CNN 更关注局部时域波形，缺少显式频域建模能力。轴承故障往往表现为特定频率、倍频、边带和冲击调制结构，单纯时域卷积可能无法充分挖掘频谱规律。

（2）传统卷积网络没有自适应降噪机制。在低信噪比条件下，噪声会显著干扰局部波形结构，导致模型学习到大量无关扰动。

（3）DRSN 虽然具有软阈值降噪能力，但主要作用于深层特征响应。它并没有直接从频域角度筛选故障相关成分，因此对频率结构明显的故障信号仍有进一步提升空间。

（4）故障信号需要同时建模全局频率结构和局部冲击特征。单一分支模型往往难以兼顾这两类信息。基于这些问题，我们设计了 FusADFaultClassifier：一种面向故障诊断任务的自适应谱降噪融合分类模型。

1.2 模型简介

故障信号通常存在噪声、复杂频率成分、多尺度动态模式等问题，因此单纯依赖时域建模或普通 Transformer 很难稳定提取鲁棒特征。FusADFaultClassifier的核心设计是：用自适应时频融合模块提取全局周期特征和局部突变特征，再用交互式信息融合模块进一步增强表示能力。

流程：先将原始振动信号切分为局部 patch token，再通过自适应谱降噪模块提取抗噪时频特征，随后利用信息融合模块增强非线性交互表示，最终完成故障类别识别。

1.3 创新点介绍

创新点 1：自适应频谱降噪机制

模型引入 Adaptive Spectral Module，自适应频谱模块，通过 FFT 将一维振动信号映射到频域空间，并根据频谱能量分布构建可学习的自适应掩码。其作用是：

F′=F⊙M

其中，F 为频域特征，M为自适应频谱掩码。该机制能够自动突出故障相关频率成分，抑制无关噪声干扰，从而提升模型在不同噪声条件下的鲁棒性。

创新点 2：时频联合特征增强

FusADFaultClassifier 不只依赖 FFT 分支，还引入类小波卷积分支提取局部瞬态特征。

可以理解为：

FFT 分支：捕捉故障频率、倍频、频谱能量变化；
卷积分支：捕捉局部冲击、短时突变和瞬态响应。

两类特征互补，使模型能够同时关注全局频域结构和局部时域冲击模式。

创点 3：交互式新信息融合模块

模型引入 Information Fusion Module，信息融合模块，通过门控交互、特征调制和一维卷积融合不同层次的故障特征。相比简单拼接或相加，IFM 能够进一步增强有效特征之间的非线性关联，提高不同故障类别之间的区分能力。

创新点 4：端到端降噪分类一体化

传统方法往往是：

信号预处理→特征提取→分类

而 FusADFaultClassifier 将频域降噪、特征增强和故障分类统一到一个端到端网络中：

输入振动信号→自适应谱降噪→信息融合→故障分类

这种设计减少了人工特征工程依赖，使模型能够根据分类目标自动学习最优的抗噪特征表示。

2 实验设计

2.1 导入数据

在不同噪声条件下，我们对比了 VGG1d、DRSN和 FusADFaultClassifier 三类模型。参考之前的文章，进行故障10分类的预处理，凯斯西储大学轴承数据10分类数据集：

train_set、val_set、test_set 均为按照7：2：1划分训练集、验证集、测试集，最后保存数据

2.2 不同噪声条件数据集制作

3 基于FusADFaultClassifier的故障诊断模型

3.1 定义网络模型

3.2 设置参数，训练模型设置参数，训练模型

50个epoch，准确率99.9%，用FusADFaultClassifier网络分类效果显著，能够从故障信号特征中提取出对模型识别重要的特征，效果明显!

3.3 模型评估

（1）准确率、精确率、召回率、F1 Score

（2）故障10分类混淆矩阵

（3）分类标签可视化

（4）原始数据 t-SNE特征可视化

（5）模型训练后的 t-SNE特征可视化：

3.4 模型对比

（1）训练可视化对比

（2）模型精度对比

CWRU 西储大学轴承数据集：

渥太华大学轴承数据集：

实验结果表明，FusADFaultClassifier 在 CWRU 和渥太华大学轴承数据集的多种噪声条件下均取得较好的整体表现，尤其在 5 dB、10 dB 等中等噪声环境下优势更明显。这说明模型具备较好的频域建模能力和抗噪分类能力，适合用于复杂工业环境下的轴承故障诊断任务。

注意：由于模型、数据调参工作量比较大，我们只是给出一组例子参考，特别是在高噪声条件下，进一步调参或者尝试其他数据集，效果会有不一样的表现！

FusADFaultClassifier 的核心创新在于：用自适应频域降噪筛选故障相关频率，用时频互补分支增强局部冲击表达，再通过交互式融合模块提升故障特征判别能力，从而实现强噪声环境下更鲁棒的一维振动信号故障分类。