企业官网建设流程全解析

简介：凯斯西储大学（CWRU）轴承数据集是故障诊断与机器学习领域的经典公开数据，面向从事轴承故障识别、信号处理及智能算法验证的研究者与学生，可省去自行下载和整理原始数据的繁琐过程。资源共172个文件，核心为165个mat格式的振动信号数据，覆盖12kHz驱动端故障、不同负载（0~3马力对应1797~1730转/分）及滚动体、内圈、外圈多种故障类型；压缩包另含3个Python程序、2个pyc及2个txt说明文档。其中封装好的CWRU类可直接导入，通过一行代码完成训练集、测试集、标签及类别名称的自动划分，默认384点信号长度并支持自定义；配套使用说明还给出了样本数量统计与长度选取建议（300~700较合适），便于快速上手。资源包共240.31MB，已有1064人学习下载，适合作为轴承故障诊断入门与论文实验的可靠数据支撑。

1. CWRU轴承数据集：故障诊断领域绕不过去的第一课

做设备故障诊断的人，绕不过去的第一个数据集就是它。凯斯西储大学(CWRU)轴承数据集相当于故障诊断领域的MNIST：正常、内圈、外圈、滚珠四种状态齐全，故障直径有0.007、0.014、0.021三档，驱动端和风扇端各有一路加速度信号，数据是.mat格式，用Python的scipy库读出来就能开始建诊断模型。它能解决做设备健康管理时最头痛的「故障数据去哪找、标签怎么标」的问题，适合准备用Python入门故障诊断的机械或电气学生，也适合刚转行工业AI、想快速验证网络结构的算法工程师。但先记住一个反直觉的结论：在这个数据集上把准确率练到99%并不难，真正难的是搞清楚切窗、标签对齐和泛化验证这三件事，再把同一套方法搬回产线数据上。

2. 拆开CWRU数据包：文件结构、读取方式与三类信号的第一次接触

CWRU数据包拿到手后，第一件事不是跑模型，而是先把.mat文件的结构看清楚。很多人直接loadmat之后当成普通numpy数组用，结果打印出来一串奇怪的数字，这是这个数据集给新手的第一个下马威。

2.1 原厂mat文件与整理程序的常见布局

CWRU官网下载的原始数据是一批.mat文件，每个文件对应一次实验，文件里用结构体保存三路加速度信号。你拿到的这个「含数据包+整理Python程序+使用说明」的版本，最常见的做法是把这些.mat统一转成npy或者csv，同时保留一份说明文档。整理程序一般会做三件事：把采样率写进配置（12kHz和48kHz两档）、把文件名解析成故障标签、把长度不一的信号按规范重新存放。文件布局通常是下面这样：

选npy不选csv主要是速度和体积：一条12kHz采样率的信号切成几百个1024点窗口后，csv存标签还凑合，存波形会慢到让你怀疑人生。如果包里提供的是csv，读取时用pd.read_csv并指定dtype=np.float64也可以，但训练前一定要确认有没有被隐式转成float32。打开使用说明时，我建议你第一眼只看两个地方：采样率写的是多少、通道顺序是DE在前还是FE在前。

2.2 用Python读取原始mat文件的最小脚本

整理程序的核心能力，其实就是下面这段代码的封装。我用一个最小可运行脚本说明读取逻辑，你在vscode里配好Python环境后，把路径换成自己的文件就能跑。

import scipy.io as sio import numpy as np mat_path = "data/raw/12k/DE/0.007_InnerRaceway.mat" raw = sio.loadmat(mat_path) # CWRU的mat文件是嵌套结构，先打印顶层变量名再提取，别盲写索引 print([k for k in raw.keys() if not k.startswith("__")]) # 常见结构里顶层是 raw['X']，这是一个结构数组 record = raw['X'][0][0] # 结构数组里通常有 DE、FE、BA 三个字段，分别代表三路加速度计 de_signal = record['DE'][0][0].astype(np.float64) print(de_signal.shape, de_signal.min(), de_signal.max())

第一行打印raw.keys()不是多余动作：不同批次的mat文件顶层变量名不一样，有的是X，有的直接平铺了DE字段，先打印出来再写索引，能省掉后面所有报错。raw['X'][0][0]取出第一条实验记录，记录里的DE字段就是驱动端加速度计信号；FE是风扇端，BA是基座。astype(np.float64)这一步不是可选项：mat文件里读出来的原始类型往往是uint16，直接做FFT或者减均值时会出现整数溢出，波形变成一条直线，转成浮点后面才稳。如果打开包里的整理程序，你会看到它把这段逻辑封装成了load_cwru_mat(file_path, channel='DE')之类的函数，作用就是减少重复代码。

2.3 DE、FE、BA三路信号怎么分工

三路信号里，DE是驱动端加速度计，CWRU的故障注入都在驱动端，所以绝大多数公开论文里的模型只用到DE这一路。FE在风扇端，故障信号经过轴承座和转子传播之后幅度衰减明显、相位也模糊，适合用来做跨位置泛化验证——比如训练只用DE，测试换成FE，能看出模型到底学的是故障特征还是记住了数据噪声。BA是基座加速度计，离故障源最远，信号特性反而更接近现场实际测点位置，做迁移学习时适合当作目标域数据来用。

采样率选12k还是48k也是一个需要提前决定的参数。轴承故障特征频率大多集中在几kHz以内，12kHz采样率在大多数诊断场景下够用，计算量只有48k的四分之一；如果做的是早期微弱故障、或者打算用小波包分解，再额外留一份48k数据不迟。整理程序的使用说明里一般会写清楚默认采样率，我见过不少人在这个细节上栽跟头：拿着12k的数据跑出特征频率，却用48k的采样间隔去算频谱横轴，最后怀疑模型有问题，其实是坐标标错了。

3. 用CWRU数据洗出合格样本：切窗、特征提取与标签对齐

把.mat文件读进来之后，离训练模型还差最关键的一步：把一整条连续振动信号变成几十上百个独立样本。这一步做得对不对，直接决定后面模型的泛化能力。

3.1 先把连续信号切成样本：窗口长度、重叠率与样本量

用Python做量化交易策略代码的人对滑窗很熟，这里其实是同一类逻辑：滚动窗口生成样本，重叠率就是步长的另一种表达。CWRU数据集里每个.mat文件是一段几秒到十几秒不等的连续信号，直接拿整段信号训练只有一个样本，没有任何意义，所以要先切窗。常见参数组合有两种：窗口长度1024点、重叠率50%；或者窗口长度256点、重叠率75%。前者适合CNN等需要频率分辨率的模型，后者适合样本量不够时做数据扩充。

def sliding_windows(signal, win_len=1024, overlap=0.5): """把一维振动信号切成固定长度窗口。 参数: signal: 一维numpy数组，长度一般大于win_len win_len: 窗口长度，1024点是12kHz采样率下的常用值 overlap: 重叠率0.5表示步长为win_len的一半 返回: windows: 形状为 (n_windows, win_len) 的二维数组 """ hop = int(win_len * (1 - overlap)) n_windows = (len(signal) - win_len) // hop + 1 windows = np.stack([ signal[i * hop: i * hop + win_len] for i in range(n_windows) ]) return windows # 以驱动端信号为例，切成1024点窗口 samples = sliding_windows(de_signal, win_len=1024, overlap=0.5) print(samples.shape)

hop是步长，等于窗口长度乘上(1 - overlap)，重叠率0.5时每次前进512点，相邻两个窗口有一半数据重合。n_windows的计算里用了整除//，这是为了防止信号最后不足一个窗口时越界；np.stack把循环生成的窗口列表堆叠成二维数组，方便后续直接作为数据集的输入。窗口长度的选择直接影响频率分辨率：1024点在12kHz采样率下对应约11.7Hz的频率间隔，能分辨轴承特征频率的不同倍频；如果窗口太短，频谱会变糊，如果太长，样本量会变少。另外要注意，切窗前不要对整段信号统一做标准化，正确做法是先切窗、再对每个窗口分别做减均值除标准差，否则会引入未来数据的信息。

3.2 把一维信号变成模型能吃的形式：FFT幅值谱与STFT时频谱

切出来的窗口是一维时域波形，可以直接喂给一维CNN、LSTM，也可以转成频域特征。最常用的做法是计算FFT幅值谱，把每个窗口变成一条频域曲线。

def get_fft_spectrum(signal, fs=12000): """计算振动信号的幅值谱。 参数: signal: 一个窗口的时域信号，长度一般为1024 fs: 采样频率，CWRU的12k数据传12000，48k数据传48000 返回: freq: 频率轴坐标 amp: 对应的幅值 """ n = len(signal) win = signal * np.hanning(n) # 加汉宁窗抑制频谱泄漏 fft_vals = np.fft.rfft(win) amp = np.abs(fft_vals) / n * 2 # 单边谱幅值修正 freq = np.fft.rfftfreq(n, d=1 / fs) return freq, amp # 取切窗后的第一个样本画出频谱 freq, amp = get_fft_spectrum(samples[0], fs=12000) print(freq.shape, amp.shape)

np.hanning(n)是加窗操作，因为直接对截断信号做FFT会在频谱里出现拖尾，加汉宁窗之后主瓣更集中，内圈故障的边频带更容易看清。np.fft.rfft返回单边频谱，对于实信号只需要一半频率点，amp / n * 2是把幅值修正回物理量纲，方便后续做特征阈值判断。如果打算用二维CNN，常见做法是再进一步做短时傅里叶变换得到时频谱图，也就是横轴时间、纵轴频率的二维图像。我一般直接用scipy.signal.stft或者librosa生成，把每个窗口的时频谱存成灰度图，再走图像分类的流程。需要提醒的是，时频谱图的像素大小、颜色映射会影响CNN收敛，建议统一用224×224的灰度图，不要用彩色映射。

3.3 标签对齐的黑匣子时刻：文件名解析与索引检查

切窗完成之后，最玄学的一步来了：每个窗口到底对应哪一类故障。CWRU数据集的原始文件名里包含了故障类型和故障直径信息，比如文件名里带InnerRace就是内圈故障，带OuterRace就是外圈故障，带Ball就是滚珠故障，什么都不带的就是正常数据。整理程序通常会把文件名解析成一列标签，但这个过程里最容易出现索引错位。

import os def make_labels_from_dir(data_dir, windows_per_file): """根据文件名生成标签表，并校验窗口数量。 参数: data_dir: 存放切好窗口npy文件的目录 windows_per_file: 每个文件切出的窗口数 返回: names: 文件名列表，和标签一一对应 labels: 标签列表，0表示正常，1/2/3对应内圈、外圈、滚珠故障 """ classes = {"Normal": 0, "InnerRace": 1, "OuterRace": 2, "Ball": 3} names, labels = [], [] for f in sorted(os.listdir(data_dir)): if not f.endswith(".npy"): continue for key, label in classes.items(): if key in f: names.append(f) labels.append(label) break else: raise ValueError(f"未识别的文件名: {f}") # 校验：文件数乘以窗口数必须等于总样本数 total = sum(windows_per_file.get(n, 0) for n in names) assert total == len(names) * windows_per_file[names[0]], "标签与样本数量不匹配" return names, labels

for key, label in classes.items()的顺序有讲究：如果把Ball放在InnerRace前面，文件名同时包含两个关键词时就会标错，所以要先匹配更具体的类别名。else: raise ValueError用来兜底，保证没有哪个文件被静默跳过。最后的断言是挡板：切窗数量和标签数量不一致时直接报错，而不是等训练到一半才发现损失函数不下降。整理程序附带的标签表建议你打开人工核对一遍，尤其是检查正常样本的标签是不是0，外圈故障的标签是不是被标成了内圈，这种错位通常只在训练结束、看混淆矩阵时才暴露出来，届时就只剩后悔药了。

4. CWRU数据集训练前的5个必踩坑：现象、原因与排查

这一章写的是我在CWRU数据上反复踩过的坑。每一条都按「现象→原因→解决」的顺序记录，如果训练过程中遇到类似问题，可以按顺序排查。虽然标题叫数据集的坑，但多数坑的根源是处理流程里的小疏忽。

4.1 loadmat读出来是嵌套结构，当成数组直接跑报错

现象：sio.loadmat之后直接print(raw.shape)报错，或者raw['DE']报KeyError，更隐蔽的情况是数据能print出来，但画波形图全是毛刺。

原因：CWRU原始mat文件是结构数组，顶层变量一般是X，DE藏在X[0][0]['DE']里，不存在顶层DE这个键。另一个隐蔽原因是.dtype不是float，读出来是uint16，画图时数值范围正常，一做减均值运算就整数溢出。

解决：先用2.2节的最小脚本打印raw.keys()确认结构，再按二层结构取值；取得信号后无条件astype(np.float64)。如果整理包已经把mat转成了npy，就直接np.load，不要自己再去猜结构。碰到mat文件报unsupported format的，通常是mat版本太新，需要用mat73库读，这是另一条次要分支。

4.2 评估集准确率99%，换一批负载就跑崩：数据泄露

现象：随机切分训练集/测试集之后准确率轻松到99%，但你换一个负载档位的文件进来测试，准确率掉到60%以下。

原因：这就是数据泄露最经典的形式。同一个.mat文件切出的几百个窗口，因为重叠率50%的关系，相邻窗口大量共享原始数据点；随机切分时，同一个文件的窗口同时出现在训练集和测试集里，模型等于见过测试数据的邻居，记住的是数据片段而不是故障特征。CWRU数据里不同负载档位（0到3马力）的信号特征差异本来就小，这种泄露会让指标看起来漂亮到失真。

解决：切窗之前先按文件分组，把同一个.mat文件切出的所有窗口放进同一个集合，然后按文件级别划分训练/测试，而不是按窗口级别划分。代码上可以用GroupShuffleSplit，分组键就是文件名。如果要做严格的负载泛化验证，直接按负载档位分组：用0和1马力的数据训练，单独留2马力的数据测试，这样得到的准确率才有说服力。

4.3 每个mat文件长度不一样：类不平衡问题

现象：训练出来之后，正常样本的召回率很高，滚珠故障的召回率只有70%，混淆矩阵里滚珠故障大量被误判成内圈故障。

原因：CWRU数据集里每个.mat文件对应的实验时长不同，正常数据文件普遍偏长，故障数据文件短一些；而且滚珠故障本身的信号能量弱于内圈和外圈，特征容易被淹没。两个因素叠加，滚珠类别的有效样本数可能是正常类别的三分之一，模型天然偏向高频类别。

解决：第一道闸是统计每个类别的窗口数，确认不平衡程度。解决手段优先级从高到低：给损失函数加类别权重、对少数类做重叠率更高的切窗（比如从50%提到75%）、再用合成少数类过采样。不要一上来就用SMOTE对原始振动信号做插值，轴承故障信号是窄带冲击，插值会改变冲击间隔，等于篡改故障特征频率，这一点和表格数据完全不同。

4.4 外圈故障内部还有三种安装位置

现象：外圈故障的分类准确率总是比其他两类低，而且误判样本集中在某一个特定文件夹里。

原因：CWRU的外圈故障实验里，故障位置相对负载区分为3点钟、6点钟、12点钟三个方向，分别存在不同的.mat文件中。官方标签只告诉你这是外圈故障，没告诉你位置。外圈故障信号对负载区位置极其敏感，3点钟位置离载荷区近、冲击明显，6点钟位置冲击被负载调制得很弱。如果直接把三种位置混成一个「外圈故障」类别，类别内部的信号差异甚至大于类别间差异。

解决：两种处理方式。第一种，如果分类任务只要四种状态，那就手工限制只取同一个位置的数据，比如只用3点钟位置的三个直径档位；第二种，把标签细化成「外圈3点钟」「外圈6点钟」「外圈12点钟」，相当于把类别数从4扩到6，模型准确率会显著提升。做对比实验时务必在论文或文档里写清楚用的是哪个位置，否则别人复现你的结果会发现准确率差一大截。

4.5 整理程序生成的标签和你的切窗顺序没对齐

现象：训练Loss正常下降，但accuracy在0.25左右波动（四分类随机水平），打印几个样本的标签发现全是乱的。

原因：切窗脚本遍历文件的顺序和标签表生成的顺序不一致。比如切窗脚本用os.listdir直接扫目录，文件顺序不固定；标签表却是按文件名做sort()得到的。两边的顺序差了一个位置，从第二个文件开始标签就开始错位，越往后错得越离谱。

解决：统一用「文件名作为唯一键」来关联，不要依赖遍历顺序。把切窗结果按文件名分别存成单独文件，同时维护一张(文件名, 标签)的映射表；训练时读取样本也按文件名来读。更省事的做法是：切窗后把标签直接拼进样本文件名里，例如inner_0.007_0001.npy，彻底放弃单独维护标签表的方案。所有整理程序的使用说明里，这部分通常写得简单，我建议你拿到包之后先跑一个10行的小脚本，打印前20个样本的标签分布，确认不是齐刷刷全是0再做下一步。

5. 从CWRU到自己的产线数据：验证方法论与一个进阶技巧

CWRU数据集的价值不在让你刷高准确率，而在于给你一个标准参照物去校准整套方法是有效的。一个非常实用的验证方法是按负载档位做留一验证：训练集用0、1、2马力，验证集单独用3马力，这样能模拟「换了设备工况之后模型还认不认故障」。如果留一验证的准确率下降了20个百分点以上，问题通常出在特征里混入了转速相关的频率成分，而不是模型结构不对。检查方式是把每个窗口的主频和转速倍频画在一张图里看分布，转速影响比故障特征还大时，先做阶比跟踪再进模型，别急着换网络。

进阶技巧是双通道输入。把DE和FE两路信号分别切窗、分别做FFT，然后在通道维度上拼接成(2, 1024)的输入，喂给一维双通道CNN。FE的信号虽然微弱，但它的相位延迟和DE不同，两个通道一起输入等于给模型提供了空间位置信息，在跨负载验证时往往比单通道稳定得多。拼之前一定要确认DE和FE等长、窗口对齐，如果原始mat里两路长度差几个点，先截成相同长度再切窗。

我自己的一个教训是：第一次用CWRU数据时只做了随机切分，准确率刷到99.5%，以为万事大吉，后来拿到实验台实测数据直接掉了20个点。从那以后我只信任按文件、按负载、按测点三层分组验证出来的指标，超参数调得再玄学，也要先过这一关。把CWRU当成一面镜子而不是终点，希望帮到你。

本文还有配套的精品资源，点击获取