基于SwinTransformer与小波变换的轴承故障智能诊断方法

1. 项目背景与核心价值

轴承作为旋转机械的核心部件，其健康状态直接影响设备运行安全。传统故障诊断方法主要依赖振动信号分析，但存在特征提取依赖专家经验、诊断精度受限等问题。我们团队尝试将小波时频分析与SwinTransformer结合，构建端到端的智能诊断模型，实现故障特征的自动提取与分类。

这个方案的核心创新点在于：

• 利用连续小波变换(CWT)将一维振动信号转换为二维时频图，同时保留时域和频域特征
• 采用SwinTransformer作为主干网络，其窗口注意力机制特别适合处理时频图像的局部特征
• 整个流程无需人工设计特征，模型自动学习故障表征

实测表明，在CWRU轴承数据集上，该方法对常见故障类型的识别准确率达到99.2%，比传统CNN方法提升约3-5个百分点。下面详细拆解实现过程的关键技术点。

2. 技术方案设计

2.1 整体架构设计

我们的方案采用"信号预处理-特征提取-分类识别"的三段式架构：

振动信号 → 小波时频变换 → SwinTransformer → 故障分类

为什么选择这个架构？

1. 小波变换能克服STFT的固定分辨率缺陷，更适合非平稳信号分析
2. SwinTransformer的层次化设计能逐步提取时频图中的局部和全局特征
3. 端到端训练使特征提取与分类任务高度协同

2.2 小波时频图生成

关键参数选择：

• 小波基函数：选用Morlet小波，因其在时频局域化方面表现均衡
• 尺度参数：根据轴承特征频率范围设置为1-128，共64个尺度
• 采样频率：12kHz（匹配CWRU数据集）

import pywt
import