长期更新好文，关注收藏++
定义
- 背景：在轴承故障诊断（Bearing Fault Diagnosis / Detection）的机器学习或深度学习任务中，训练和测试集是 id + N列序号 的数据结构，是典型的时间序列（Time Series）或信号截取（Signal Segment）的数据表达方式。每一行代表一段轴承的振动信号样本，id 用来区分不同的样本，而后面的 N列 则是这段样本中连续采样的振动数值。
数据集
你手上的数据是DataCastle（DC竞赛）举办的"轴承故障检测训练赛"的官方数据集。 1
这个数据集是主办方基于经典轴承数据集（如 CWRU 凯斯西储大学数据集）进行截取和加工后，专门用来做算法竞赛的。
该赛题将以下状态交叉组合，形成了 0 到 9 共 10 个分类标签（Label）：
-
0：正常工作状态
-
1, 2, 3：内圈故障（分别对应 3 种不同直径的损伤）
-
4, 5, 6：外圈故障（分别对应 3 种不同直径的损伤）
-
7, 8, 9：滚珠故障（分别对应 3 种不同直径的损伤） 1
-
列数结构： 每行共有 6002 列（包含第 1 列 id，中间的 6000 列时序振动数据，以及最后一列 label 标签）。
-
样本数量： 训练集（train.csv）通常有 792 条数据，测试集（test_data.csv）有 528 条数据。
-
物理意义： 中间的 6000 列是在固定采样率下连续截取的 6000 个高频振动加速度值，严格按时间先后顺序排列。 1, 2, 3, 4
解题策略
针对这个经典的 DC 轴承 10 分类赛题，目前行业内有两套最标准、效果最好的解题基线（Baseline）：
方案 A：一维卷积神经网络 (1D-CNN) ------ 最推荐、准确率最高
不需要做任何手动的特征工程，直接让神经网络去学习波形图里的周期性冲击特征。
- 数据读取与变形：
读入 train.csv 后，切出中间的 6000 列。使用 NumPy 将其形状由二维的 (792, 6000) 转换为三维的 (792, 6000, 1)，以符合卷积网络的输入规范。 - 网络设计要点：
- 大卷积核开路： 第一层一维卷积（Conv1D）的卷积核一定要设得比较大（如 kernel_size=64 或 128），用来捕捉轴承旋转一周的长周期特征。
- 小卷积核堆叠： 后续的卷积层可以使用较小的卷积核（如 kernel_size=3 或 5），配合池化层（MaxPooling1D）逐步压缩时序长度并提取深层特征。
- 输出层： 全连接层最后输出 Dense(10, activation='softmax') 进行 10 分类预测。
方案 B：时域统计特征 + LightGBM / XGBoost ------ 运行最快
如果你更熟悉传统机器学习，可以直接提取这 6000 个点的波形统计特征：
- 特征提取： 对每一行的 6000 个数字，计算它的均值、标准差、峭度（Kurtosis，对冲击极其敏感）、偏度、峰值因素、脉冲因素等，把 6000 列压缩成 20~30 列核心特征指标。
- 模型训练： 将提取出的特征矩阵送入 LightGBM 或 XGBoost 进行多分类训练。这种方法可以在几秒钟内完成训练，且准确率也非常可观。
实战
- 本期是第一期，基础机器学习。第二期为方案B。第三期为方案A。
1. 读取数据
py
# %%
import pandas as pd
import numpy as np
from scipy import stats
import warnings
warnings.filterwarnings('ignore')
# %% [markdown]
# # 1.数据读取
# %%
train_data = pd.read_csv("D:\\GIT\\ml_dl\\ml\\classify\\bearing\\train.csv")
# %%
test_data = pd.read_csv("D:\\GIT\\ml_dl\\ml\\classify\\bearing\\test_data.csv")| | id | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | ... | 5992 | 5993 | 5994 | 5995 | 5996 | 5997 | 5998 | 5999 | 6000 | label |
| 0 | 1 | 0.563650 | 1.069229 | -0.837759 | -1.122021 | 0.433296 | 0.770755 | -0.477153 | -0.588421 | 0.455224 | ... | -0.050761 | 0.220506 | 0.036548 | -0.097461 | -0.084060 | -0.007716 | -0.049949 | -0.018274 | 0.021523 | 7 |
| 1 | 2 | 0.061333 | 0.058830 | 0.056952 | 0.068634 | 0.073433 | 0.072390 | 0.042975 | -0.007302 | -0.026286 | ... | 0.061333 | 0.107437 | 0.104516 | 0.063419 | -0.014394 | -0.048607 | -0.009388 | 0.058830 | 0.129342 | 0 |
| 2 | 3 | 0.035736 | 0.010964 | -0.164872 | -0.167714 | -0.125075 | -0.104771 | -0.016650 | 0.151471 | 0.137258 | ... | 4.272044 | -1.991455 | -2.922208 | 1.937039 | 0.704156 | -2.085667 | 0.203044 | 0.739892 | -2.149829 | 9 |
| 3 | 4 | -0.046700 | 0.060913 | 0.009340 | -0.093400 | -0.067817 | 0.022335 | 0.006091 | -0.076751 | -0.032893 | ... | 0.095025 | -0.000406 | 0.091776 | 0.074314 | -0.082842 | -0.110050 | -0.028020 | 0.025990 | -0.050355 | 9 |
| 4 | 5 | 0.162922 | -0.377662 | 0.014457 | 0.565437 | -0.203369 | -0.511508 | 0.410961 | 0.228546 | -0.515244 | ... | -0.093563 | -0.263632 | 0.114517 | 0.209541 | -0.184851 | -0.075370 | 0.286211 | 0.005685 | -0.223348 | 7 |
|---|
5 rows × 6002 columns
2. 观察数据
py
# %%
train_data.head(5)
# %% [markdown]
# # 2.目标值分布观察
# 数据量较少。但是分布还算均匀。
# %%
y_label_count = train_data.groupby(['label'])['label'].count()
y_label_count
# %% [markdown]
# 注意：同一列的数据不一定是同一个时间点的采样数据，即不要把每一列当作一个特征
# 先看眼数据，啥也看不出来。数据比较完整，没有缺失，不用也不能进行填充等操作
# %%
X_train = train_data.iloc[:,1:6001]
X_train.head()label
0 177
1 46
2 43
3 50
4 51
5 47
6 52
7 140
8 45
9 141
Name: label, dtype: int64
| | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | ... | 5991 | 5992 | 5993 | 5994 | 5995 | 5996 | 5997 | 5998 | 5999 | 6000 |
| 0 | 0.563650 | 1.069229 | -0.837759 | -1.122021 | 0.433296 | 0.770755 | -0.477153 | -0.588421 | 0.455224 | 0.555122 | ... | -0.150659 | -0.050761 | 0.220506 | 0.036548 | -0.097461 | -0.084060 | -0.007716 | -0.049949 | -0.018274 | 0.021523 |
| 1 | 0.061333 | 0.058830 | 0.056952 | 0.068634 | 0.073433 | 0.072390 | 0.042975 | -0.007302 | -0.026286 | -0.006050 | ... | 0.033796 | 0.061333 | 0.107437 | 0.104516 | 0.063419 | -0.014394 | -0.048607 | -0.009388 | 0.058830 | 0.129342 |
| 2 | 0.035736 | 0.010964 | -0.164872 | -0.167714 | -0.125075 | -0.104771 | -0.016650 | 0.151471 | 0.137258 | 0.045076 | ... | 1.151665 | 4.272044 | -1.991455 | -2.922208 | 1.937039 | 0.704156 | -2.085667 | 0.203044 | 0.739892 | -2.149829 |
| 3 | -0.046700 | 0.060913 | 0.009340 | -0.093400 | -0.067817 | 0.022335 | 0.006091 | -0.076751 | -0.032893 | 0.023553 | ... | 0.137258 | 0.095025 | -0.000406 | 0.091776 | 0.074314 | -0.082842 | -0.110050 | -0.028020 | 0.025990 | -0.050355 |
| 4 | 0.162922 | -0.377662 | 0.014457 | 0.565437 | -0.203369 | -0.511508 | 0.410961 | 0.228546 | -0.515244 | 0.013157 | ... | 0.216039 | -0.093563 | -0.263632 | 0.114517 | 0.209541 | -0.184851 | -0.075370 | 0.286211 | 0.005685 | -0.223348 |
|---|
5 rows × 6000 columns
3. 特征提取
py
# %% [markdown]
# # 3.特征提取 提取和，均值，方差等
# %%
X_train_trans = pd.DataFrame()
X_train_trans['sum'] = np.sum(X_train,axis =1)
X_train_trans['abs_sum'] = np.sum(np.abs(X_train),axis =1)
X_train_trans['per5'] = np.percentile(X_train,q=5,axis =1)
X_train_trans['per95'] = np.percentile(X_train,q=95,axis =1)
X_train_trans['per99'] = np.percentile(X_train,q=99,axis =1)
X_train_trans['mean'] = np.mean(X_train,axis =1)
X_train_trans['min'] = np.min(X_train,axis =1)
X_train_trans['max'] = np.max(X_train,axis =1)
X_train_trans['std'] = np.std(X_train,axis =1)
X_train_trans['var'] = np.var(X_train,axis =1)
X_train_trans['median'] = np.median(X_train,axis =1)
X_train_trans['skew'] = stats.skew(X_train,axis =1)
X_train_trans['kurtosis'] = stats.kurtosis(X_train,axis =1)
X_train_trans['label'] =train_data['label']
y = pd.DataFrame()
y['label'] =train_data['label']
X_train_trans.head()
# %% [markdown]
# 从转换后的特征来看，不同label的数据还是比较有区分度的。
# %%
test_trans = pd.DataFrame()
test_trans['id'] = test_data['id']
test_trans['sum'] = np.sum(test_data.iloc[:,1:6001],axis =1)
test_trans['abs_sum'] = np.sum(np.abs(test_data.iloc[:,1:6001]),axis =1)
test_trans['per5'] = np.percentile(test_data.iloc[:,1:6001],q=5,axis =1)
test_trans['per95'] = np.percentile(test_data.iloc[:,1:6001],q=95,axis =1)
test_trans['per99'] = np.percentile(test_data.iloc[:,1:6001],q=99,axis =1)
test_trans['mean'] = np.mean(test_data.iloc[:,1:6001],axis =1)
test_trans['min'] = np.min(test_data.iloc[:,1:6001],axis =1)
test_trans['max'] = np.max(test_data.iloc[:,1:6001],axis =1)
test_trans['std'] = np.std(test_data.iloc[:,1:6001],axis =1)
test_trans['var'] = np.var(test_data.iloc[:,1:6001],axis =1)
test_trans['median'] = np.median(test_data.iloc[:,1:6001],axis =1)
test_trans['skew'] = stats.skew(test_data.iloc[:,1:6001],axis =1)
test_trans['kurtosis'] = stats.kurtosis(test_data.iloc[:,1:6001],axis =1)
test_trans.head()| | sum | abs_sum | per5 | per95 | per99 | mean | min | max | std | var | median | skew | kurtosis | label |
| 0 | 28.589395 | 2154.024642 | -1.004296 | 0.971362 | 1.892394 | 0.004765 | -3.003019 | 3.236114 | 0.583343 | 0.340289 | 0.007919 | 0.000519 | 4.984610 | 7 |
| 1 | 91.983113 | 325.233054 | -0.098466 | 0.119537 | 0.160219 | 0.015331 | -0.222801 | 0.221132 | 0.065739 | 0.004322 | 0.017524 | -0.205528 | 0.036342 | 0 |
| 2 | 19.617697 | 1605.012177 | -0.637192 | 0.628238 | 1.901311 | 0.003270 | -5.501272 | 5.912233 | 0.540327 | 0.291954 | 0.002843 | 0.231480 | 21.957896 | 9 |
| 3 | 24.154104 | 955.968911 | -0.277378 | 0.313520 | 1.300825 | 0.004026 | -3.955295 | 3.712455 | 0.366301 | 0.134176 | 0.003249 | -0.492159 | 34.973034 | 9 |
| 4 | 79.547894 | 976.343474 | -0.332667 | 0.357910 | 0.703714 | 0.013258 | -1.754299 | 1.550606 | 0.233977 | 0.054745 | 0.010802 | -0.048808 | 5.036917 | 7 |
|---|
| | id | sum | abs_sum | per5 | per95 | per99 | mean | min | max | std | var | median | skew | kurtosis |
| 0 | 1 | 20.936670 | 1593.757047 | -0.583690 | 0.584421 | 2.087291 | 0.003489 | -4.631026 | 5.202391 | 0.537096 | 0.288472 | 0.003249 | -0.019100 | 17.459809 |
| 1 | 2 | 36.363946 | 3711.522106 | -1.285755 | 1.312496 | 2.201414 | 0.006061 | -2.891751 | 3.168703 | 0.809820 | 0.655808 | -0.003452 | 0.085543 | 1.154068 |
| 2 | 3 | 39.485544 | 984.972515 | -0.299287 | 0.312749 | 1.293028 | 0.006581 | -3.624334 | 3.813977 | 0.361151 | 0.130430 | 0.006497 | -0.474609 | 30.183324 |
| 3 | 4 | 57.501702 | 311.344067 | -0.097423 | 0.109940 | 0.148328 | 0.009584 | -0.243246 | 0.197559 | 0.063453 | 0.004026 | 0.011891 | -0.156539 | -0.127848 |
| 4 | 5 | 26.891785 | 733.222105 | -0.241866 | 0.261204 | 0.358509 | 0.004482 | -0.518818 | 0.556503 | 0.152550 | 0.023271 | 0.003411 | 0.046709 | -0.115646 |
|---|
4. 分类分布查看
py
# %% [markdown]
# 画一个分类散点图，看看分布情况。pca降到2维画平面图
# %%
from sklearn.decomposition import PCA
var=["sum","abs_sum","per5","per95","per99","mean","min","max","std","var","median","skew","kurtosis"]
pca = PCA(n_components=2)
pca.fit(X_train_trans[var])
X_pca=pca.transform(X_train_trans[var])
print(pca.explained_variance_ratio_)
X_pca_df =pd.DataFrame(X_pca)
pic_x=pd.concat([X_pca_df,y],axis=1)
# %%
import matplotlib.pyplot as plt
colors=['blue','orange','green','red','purple','brown','pink','gray','olive','cyan']
for i in range(0,10):
Xi=pic_x[pic_x['label']==i][0]
yi=pic_x[pic_x['label']==i][1]
plt.scatter(Xi, yi, s=20, c=colors[i], label=i)
# %%
state_list=[0,1]
for i in state_list:
Xi=pic_x[pic_x['label']==i][0]
yi=pic_x[pic_x['label']==i][1]
plt.scatter(Xi, yi, s=20, c=colors[i], label=i)
# %%
state_list=[1,2]
for i in state_list:
Xi=pic_x[pic_x['label']==i][0]
yi=pic_x[pic_x['label']==i][1]
plt.scatter(Xi, yi, s=20, c=colors[i], label=i)
# %% [markdown]
# 从上面的图可以看出来，正常状态和异常状态区分度很好。但1-9异常状态间区分度不太好。说明选取的特征还不够，有时间继续探索补充特征吧。
5.分类算法，直接用随机森林、GBDT
py
# %%
# 验证集效果
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix, accuracy_score
clf = RandomForestClassifier(n_estimators=50)
var=["sum","abs_sum","per5","per95","per99","mean","min","max","std","var","median","skew","kurtosis"]
x_train, x_val, y_train, y_val = train_test_split(X_train_trans[var], y , test_size=0.2)
clf.fit(x_train, y_train)
print(confusion_matrix(y_val, clf.predict(x_val)))
print(accuracy_score(y_val, clf.predict(x_val)))
# %%
from sklearn.ensemble import GradientBoostingClassifier
gb_clf = GradientBoostingClassifier(n_estimators=50)
gb_clf.fit(x_train, y_train)
print(confusion_matrix(y_val, gb_clf.predict(x_val)))
print(accuracy_score(y_val, gb_clf.predict(x_val)))
# %% [markdown]
# 分别用随机森林和梯度boosting，效果都不错，但是因为样本量很少，准确率在95%-99%之间吧。上传得到全部数据集上结果97%
# %%
# 看看训练集全部训练后测试集的效果
clf.fit(X_train_trans[var], y )
y_test=clf.predict(test_trans[var])
test_trans['label']=y_test
test_trans.to_csv("D:\\GIT\\ml_dl\\ml\\classify\\bearing\\sample.csv",index=0,header=1,columns=['id','label'])
# %%