简介面向机械工程科研人员、设备维护工程师及智能诊断方向学习者的滚动轴承故障诊断完整方案聚焦基于改进灰狼优化算法IGWO与支持向量机SVM的混合建模。内容覆盖EEMD集合经验模态分解、基于峭度和相关系数的敏感IMF筛选与信号重构进而提取时域、频域特征并经PCA降维最后用IGWO自动优化SVM惩罚因子和核函数参数构成从信号预处理到故障分类的闭环流程。附带PDF内给出数据加载、EEMD分解、IMF筛选、PCA降维、IGWO参数寻优及SVM训练等模块的可运行代码和逐段中文解释可对照凯斯西储大学轴承数据集复现实验并迁移至工业振动监测场景。资源包共1个PDF文件大小约482KB已有77人学习浏览。整套方案兼顾理论推导与工程实现对缩短诊断模型调参周期、降低人工经验依赖具有明确参考价值可为智能诊断系统的落地提供直接支撑。1. 滚动轴承故障诊断为什么要 IGWOSVM从参数寻优失控说起产线上一台离心泵的滚动轴承出现早期点蚀振动速度有效值一直在报警阈值边缘抖动人工看频谱只能判断“有异常”却分不清是内圈还是外圈故障临停检修后换下来的轴承也证明判断晚了。这种典型的设备运维痛点样本量不大、故障标记也不全直接上深度网络很容易过拟合训练集准确率 99%、到现场就露馅。SVM 在小样本非线性分类上一直有位置但两个关键参数——惩罚参数 c 和核参数 g——要么靠网格搜索硬磨要么靠经验拍脑袋搜索时间随参数分辩率指数上涨结果还看运气。IGWO改进灰狼优化算法把 SVM 参数寻优变成一次自适应搜索几十秒内就能给出可用的参数组合而且比标准 GWO 更不容易陷进局部最优。这篇文章面向想做滚动轴承故障诊断但卡在参数调优和代码落地的人按数据切分 → 特征提取 → IGWO 寻优 → 模型评估的完整链路给出一套能直接复现的示例代码和踩坑记录。2. IGWO 和 SVM 的原理定位为什么这套组合适合轴承故障诊断2.1 SVM 在小样本故障分类上的优势与边界滚动轴承故障诊断的本质是对振动信号做模式识别。常见的分类目标有正常、内圈故障、外圈故障、滚动体故障四类某些场景还会细分到故障损伤直径。故障信号经过传递路径之后被传感器采集混入工频分量、结构共振和其他干扰时域波形看起来就是“正常的周期信号上叠加了一些冲击”。问题在于不同故障类型产生的冲击特征有重叠尤其早期故障阶段特征非常微弱。SVM 的核心思路是在高维空间构造一个最大间隔超平面把不同类别样本分开。它有两个天然优势一是结构风险最小化模型复杂度可控在小样本条件下不容易像深度网络那样产生严重的过拟合二是引入核函数之后可以处理非线性边界不需要像 BP 神经网络那样反复调整网络层数和隐层节点数。在轴承故障数据量只有几百上千条的情况下SVM 往往比最简单的三隐藏层全连接网络更稳训练还快得多。但 SVM 不是白拿的。使用 RBF 核时惩罚参数 c 控制“对误分类样本的容忍度”核参数 ggamma控制单个样本的影响半径。c 调太大模型会把噪声也当成故障特征边界紧贴训练点c 调太小模型过于宽松欠拟合。g 调太大支持向量只影响局部小邻域模型趋向于记忆训练样本g 调太小所有样本的影响范围重叠决策边界过于平滑。两个参数互相牵制不能用孤立调参的思路去处理。这正是引入 IGWO 的理由。2.2 灰狼优化算法 GWO 的基本搜索机制灰狼优化算法是模仿灰狼群体捕食行为的元启发式算法。狼群内部有严格的社会等级α 狼负责决策β 狼协助δ 狼执行ω 狼是底层个体。搜索过程里每一头狼代表解空间里的一个候选解也就是一组 SVM 的 c 和 g。α、β、δ 三头狼分别对应当前种群中适应度排名前三的解其余狼向这三个位置靠拢模拟包围、猎捕、攻击猎物的过程。位置更新公式是整套算法的骨架。对任意一头狼先计算它与 α、β、δ 之间的距离再各自产生一个逼近位置最后取平均作为下一轮位置。距离计算里有两个系数 A 和 C。A 由收敛因子 a 和随机数 r1 决定a 在迭代过程中从 2 线性递减到 0|A|1 时狼群扩大搜索范围|A|1 时收缩包围这样的动态变化理论上保证了前期全局探索、后期局部开发。C 是 [0,2] 内的随机权重负责增加搜索路径的随机性避免所有狼走完全相同的路子。标准 GWO 实现简单、参数少但有两个已知短板一是收敛因子 a 线性递减与真实搜索过程需要的“前期慢、后期快”节奏不完全匹配二是初始种群只在解空间里做均匀随机撒点如果最优解区域比较狭窄初始覆盖不足后面迭代很难补回来。改进灰狼优化算法 IGWO 主要就是针对这两处做文章。2.3 IGWO 的改进方向收敛因子与种群初始化IGWO 最常见的做法是把线性收敛因子改成非线性递减。线性衰减意思是 a 均匀地从 2 降到 0前 50% 迭代和后 50% 迭代探索强度一样这在多峰解空间里容易提前收缩。常见的做法是使用指数型或抛物线型衰减曲线例如 a 2 × (1 − (t/max_iter)²)前期 a 保持较大值更久让狼群充分探索整体解空间迭代后期 a 快速降到接近 0集中精力在最优解附近精细搜索。这个改动成本极低只需要改一行计算但收敛效果和最终解的稳定性经常有肉眼可见的提升。另一个常见改进是混沌映射初始化。标准随机数生成的初始种群容易出现聚集解空间的某些区域完全没有狼去踩点。Tent 映射或 Logistic 映射可以在 [0,1] 区间内生出一组分布更均匀的序列再映射到参数搜索空间。这样初代狼群就能覆盖到参数平面的各个角落对后续寻优是实打实的好处。有些实现还会加入变异算子或者反向学习策略甚至让部分狼保留历史最优位置记忆防止后期种群多样性耗尽。标题里说的是“改进灰狼优化算法”没有限定具体改进点我这里选择收敛因子非线性化加混沌初始化的组合既有代表性又容易在代码里复现不至于把问题复杂化。3. 数据准备与特征提取把振动信号变成 SVM 能读的特征向量3.1 公开轴承数据集与样本切分窗口长度、步长与标签滚动轴承故障诊断最常见的公开数据来源是凯斯西储大学轴承数据中心 CWRU采样频率 12 kHz 或 48 kHz包含正常、内圈故障、外圈故障、滚动体故障四种状态每种状态又有不同故障直径和负载工况。用这套数据做算法验证便于和其他论文横向对比是入门首选。拿到原始振动时间序列后第一步是做样本切分。原始数据是一整段长信号直接整段送给 SVM 没有任何意义必须切成固定长度的样本窗口。窗口长度我一般取 1024 个采样点对应 12 kHz 采样率下约 0.085 秒足够覆盖轴承转频的几个周期也保持故障冲击的周期性信息。窗口太短单个窗口里的故障特征不完整窗口太长样本数量下降而且一个窗口里可能混入转速波动或负载变化。切分策略上可以分为不重叠切分和滑动窗口切分两种。不重叠切分代码简单适合样本量充足的场景滑动窗口切分增加了步长参数比如窗口 1024、步长 512相邻窗口有一半重叠数据量撑大了但相邻样本高度相关训练集和测试集如果乱分很容易把同一段信号的一部分放进训练集、另一部分放进测试集造成数据泄漏。代码里要优先保证样本独立性比如按连续时间段切分或者设置随机种子后打乱不能想当然。3.2 时域特征提取示例代码八个特征的计算与意义原始振动波形直接作为 SVM 输入不是不行但 1024 维特征在样本量只有几百时会让模型非常稀疏训练速度和泛化能力都受影响。常见做法是从每个窗口里提取一组时域统计特征把 1024 个点压缩成十几个到几十个数值。下面是一段常用的特征提取代码计算均值、标准差、均方根、峰值、偏度、峭度、峰值因子和波形因子八个特征。import numpy as np import pandas as pd def extract_features(signal): signal np.asarray(signal, dtypenp.float64) n len(signal) mean_val np.mean(signal) std_val np.std(signal) rms_val np.sqrt(np.mean(signal ** 2)) peak_val np.max(np.abs(signal)) # 注意std 为零时不能继续算偏度和峭度 if std_val 1e-12: skewness 0.0 kurtosis 0.0 else: skewness np.mean((signal - mean_val) ** 3) / (std_val ** 3) kurtosis np.mean((signal - mean_val) ** 4) / (std_val ** 4) mean_abs np.mean(np.abs(signal)) # 峰值因子 峰值 / RMS波形因子 RMS / 整流平均值 peak_factor peak_val / rms_val if rms_val 0 else 0.0 form_factor rms_val / mean_abs if mean_abs 0 else 0.0 return np.array([ mean_val, std_val, rms_val, peak_val, skewness, kurtosis, peak_factor, form_factor ])逻辑说明是均值反映信号中心趋势标准差和均方根反映振动能量大小峰值反映瞬时冲击强度。偏度描述波形分布的不对称性滚动体故障和剥落类故障往往导致偏度异常峭度对冲击脉冲最敏感正常轴承信号近似高斯分布峭度接近 3早期故障时峭度明显升高。峰值因子和波形因子是量纲归一化后的无量纲指标跨工况比较时比绝对数值更可靠。这套特征组合不复杂但已经能在多数 CWRU 分类任务里得到不错的基线。参数说明偏度和峭度计算建立在信号近似平稳的假设上窗口长度不能过长峰值因子在强干扰环境下容易被单个异常尖峰拉高所以要和峭度一起看不能单独作为判据。实际项目中我一般还会增加频域特征比如重心频率和均方频率但时域特征是起步最快的方案。想扩充特征维度可以用 SciPy 的 signal 模块计算功率谱后再提取若干频段能量占比思路完全一致。3.3 归一化与训练集测试集划分这一步做了才稳特征提取完成后各维特征的量纲差异可能非常大。均方根数值可能在 0.01 级别峰值因子在 3 到 8 之间峭度可能达到几十。SVM 的间隔计算依赖特征空间里的距离度量量纲大的特征天然占据主导地位量纲小的特征几乎不起作用。因此必须归一化。常用的有两类做法。MinMax 归一化把数据压缩到 0 到 1 之间保留原始分布形状Z-Score 标准化把数据变成均值为 0、标准差为 1适合特征分布接近正态的场景。我习惯用 Z-Score做法是先在训练集上计算均值和标准差再用同一组参数转换训练集和测试集防止测试集信息泄漏进训练过程。from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler, LabelEncoder # all_features 是 (样本数, 特征维度) 的矩阵all_labels 是文本标签列表 le LabelEncoder() label_ids le.fit_transform(all_labels) X_train, X_test, y_train, y_test train_test_split( all_features, label_ids, test_size0.3, random_state42, stratifylabel_ids ) scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test)这段代码的关键点是train_test_split 里用了 stratify确保四类故障在训练集和测试集中的比例一致避免某个类别的样本被全部分到测试集scaler 只用训练集 fit再 transform 测试集这是标准化流程里最容易出错的地方。很多人图省事先对整个特征矩阵做 StandardScaler 再做拆分测试集均值方差混进训练过程交叉验证看似很高实际部署时准确率断崖下跌。4. IGWO 优化 SVM 的核心代码实现目标函数、寻优循环与模型训练4.1 目标函数设计把交叉验证准确率接进 IGWO 适应度IGWO 的每一头狼代表一组 SVM 参数 (c, g)适应度函数要对这组参数打一个分。常见做法是在训练集上做 K 折交叉验证取平均准确率作为适应度值。K 我一般取 5样本量不大时 5 折足够稳定计算量也可接受。用交叉验证而不是单次 train/test 的原因很简单单次划分的随机性太大c 和 g 稍微变化结果就看一次划分的运气。交叉验证能把这种随机性平均掉。适应度函数示意代码如下。这里用了 SVC 的 C 和 gamma 两个参数kernel 固定为 rbf。gamma 如果搜索范围到非常小的值建议用 scale 或直接传 float代码里用 float 便于参数寻优循环直接写入。from sklearn.svm import SVC from sklearn.model_selection import cross_val_score import numpy as np def svm_fitness(params, X, y, cv5): c, g params # 防止非法参数导致 SVC 报错搜索边界要在这里再挡一层 if c 0 or g 0: return 0.0 model SVC(Cc, kernelrbf, gammag) scores cross_val_score(model, X, y, cvcv, scoringaccuracy) return scores.mean()这里返回的是平均准确率IGWO 寻优目标是让这个数值最大化。代码里 c 和 g 都必须严格大于 0这是 SVM 核函数的数学要求。实际搜索时我建议在 log 空间处理也就是说 IGWO 搜索的决策变量是 log2(c) 和 log2(g)目标函数内部再转换回真实值。这样搜索范围可以跨度很大而不会让寻优步长失配。4.2 IGWO 主循环示例代码位置更新、边界处理与最优解追踪下面是 IGWO 的主循环代码采用非线性收敛因子和混沌初始化。为了便于理解我保持了最直观的实现没有做向量化压缩。import numpy as np def igwo_optimize(objective_func, dim, lb, ub, n_wolves30, max_iter50, tent_xi0.47): # Tent 混沌映射初始化种群 pop np.zeros((n_wolves, dim)) for i in range(n_wolves): x tent_xi rnd_seq np.random.rand(dim) for d in range(dim): if x 0.5: x 2 * x else: x 2 * (1 - x) if x 1e-8: x 0.31 pop[i, d] lb[d] x * (ub[d] - lb[d]) fitness np.array([objective_func(ind) for ind in pop]) alpha_idx np.argmax(fitness) beta_idx np.argmax(np.where(np.arange(n_wolves) alpha_idx, -np.inf, fitness)) delta_idx np.argmax(np.where(np.isin(np.arange(n_wolves), [alpha_idx, beta_idx]), -np.inf, fitness)) alpha pop[alpha_idx].copy() beta pop[beta_idx].copy() delta pop[delta_idx].copy() alpha_fit fitness[alpha_idx] beta_fit fitness[beta_idx] delta_fit fitness[delta_idx] for t in range(max_iter): # 非线性收敛因子前期搜索充分后期精细 a 2 * (1 - (t / max_iter) ** 2) for i in range(n_wolves): r1 np.random.rand(dim) r2 np.random.rand(dim) A1 2 * a * r1 - a C1 2 * r2 D_alpha np.abs(C1 * alpha - pop[i]) X1 alpha - A1 * D_alpha r1 np.random.rand(dim) r2 np.random.rand(dim) A2 2 * a * r1 - a C2 2 * r2 D_beta np.abs(C2 * beta - pop[i]) X2 beta - A2 * D_beta r1 np.random.rand(dim) r2 np.random.rand(dim) A3 2 * a * r1 - a C3 2 * r2 D_delta np.abs(C3 * delta - pop[i]) X3 delta - A3 * D_delta new_pos (X1 X2 X3) / 3.0 # 边界处理越界则拉回到边界并加小扰动 for d in range(dim): if new_pos[d] lb[d] or new_pos[d] ub[d]: new_pos[d] lb[d] np.random.rand() * (ub[d] - lb[d]) pop[i] new_pos # 重新评估适应度更新 alpha、beta、delta fitness np.array([objective_func(ind) for ind in pop]) for i in range(n_wolves): if fitness[i] alpha_fit: delta_fit beta_fit delta beta.copy() beta_fit alpha_fit beta alpha.copy() alpha_fit fitness[i] alpha pop[i].copy() elif fitness[i] beta_fit: delta_fit beta_fit delta beta.copy() beta_fit fitness[i] beta pop[i].copy() elif fitness[i] delta_fit: delta_fit fitness[i] delta pop[i].copy() return alpha, alpha_fit逻辑说明种群初始化使用 Tent 混沌映射让狼群在解空间分布更均匀减少初始聚集对收敛质量的影响。收敛因子 a 用平方递减公式替代标准 GWO 的线性递减前 40% 迭代 a 值仍接近 1.2 以上保留全局探索能力后 60% 迭代逐渐收缩。每头狼分别向 alpha、beta、delta 三个位置靠近按等权重平均得到新位置这是标准 GWO 的典型更新方式实现简单且稳定。越界处理拉了随机位置避免多只狼反复撞到边界造成种群多样性的快速流失。参数说明n_wolves 取 30 是平衡计算速度和搜索广度的常见经验值样本量不大时 20 也够用但少于 15 很容易出现单次寻优结果不稳定。max_iter 取 50主要受适应度函数耗时影响每次交叉验证平均 0.2 秒总耗时约 30 秒到 2 分钟可接受。如果特征维度过高或 cv 折数太多导致单次适应度耗时超过 1 秒可以适当减少种群数或迭代次数。4.3 用寻优得到的 c 和 g 训练最终 SVM 模型IGWO 结束时返回的 alpha 是最优狼位置也就是最优的 log2(c) 和 log2(g)。把这两个值转回真实参数后在完整训练集上重新训练 SVM然后在独立测试集上评估。注意这里不再做交叉验证而是用固定划分的测试集给出最终指标。best_log_c, best_log_g alpha best_c 2 ** best_log_c best_g 2 ** best_log_g final_model SVC(Cbest_c, kernelrbf, gammabest_g) final_model.fit(X_train_scaled, y_train) acc final_model.score(X_test_scaled, y_test) print(f最优参数 C{best_c:.4f}, g{best_g:.6f}, 测试集准确率{acc:.4f})这段代码结束整个训练流程。值得强调的是IGWO 寻优过程中评估的都是交叉验证平均准确率最终测试集是从来没有参与过寻优的独立数据这个分数才是你向外汇报或部署时应该用的数字。如果你的交叉验证分数 99%测试集只有 70%大概率是前面的数据泄漏问题而不是 IGWO 或者 SVM 的问题。5. IGWOSVM 故障诊断避坑指南五个常见翻车点与排查方法5.1 现象适应度曲线收敛快但测试准确率低——多半是数据泄漏使用 IGWO 寻优时交叉验证平均准确率接近 100%但独立测试集准确率只有 60% 到 70%波动还很大。先别怀疑算法大概率是数据准备阶段出了问题。最常见的原因是整体标准化后再划分训练集测试集StandardScaler 把测试集的信息泄漏进了训练过程另一种是滑动窗口切分时没有按时间顺序分组相邻窗口大量重叠同一个样本的两种表现形式被分到训练集和测试集两侧。解决办法严格遵循“先划分、后标准化”的顺序scaler 只在训练集上 fit用同一参数 transform 测试集。滑动窗口样本需要增大步长或者按连续时间段切块后再划分保证训练集和测试集来自不同时间段模拟真实部署场景。修复数据泄漏问题后有些项目的准确率甚至会出现小幅下降这才是真实水平的数字。5.2 现象c 和 g 的搜索范围不合理SVM 直接变“摆设”搜索范围设置过宽的典型表现是IGWO 多次运行结果差异很大有一次 c 到了几百g 到了几十测试集准确率反而很低。这是因为 g 过大时 SVM 进入了过拟合区决策边界把训练样本逐个包围交叉验证分数被高折叠平均掩盖了一部分c 过大会让少数误分类点的代价极高模型边界形状极端化。排查思路是先用粗网格扫描确定可行区间再用 IGWO 精细搜索。我一般以 log2(c) 在 [-5, 15]、log2(g) 在 [-15, 3] 为默认区间对应真实 c 从 0.03 到 32768g 从 3e-5 到 8。如果特征标准化后分布正常这个区间几乎总能覆盖合理最优解。区间过大时建议把边界内缩到常用值附近再做一轮 IGWO效果比盲目扩大边界更稳定。5.3 现象特征量纲差异过大IGWO 寻优结果随机漂移如果跳过标准化直接做 IGWO或者用了 MinMax 但没有检查异常值常见表现是连续跑三次寻优最优 c 和 g 相差几十倍准确率却非常接近。原因是 SVM 的距离度量对量纲敏感IGWO 在空间中的邻域搜索步长跨度过大轻微扰动就跳进了另一个等效区域。解决方法是把 Z-Score 标准化作为强制步骤并且确认标准化后的特征均值为 0、标准差为 1。增益提升显著寻优结果的稳定性会明显改善适应度曲面变得更平滑。另外检查特征中是否存在极端异常值比如峭度偶尔冲到几百这时候建议先做截断处理或者改用鲁棒缩放 RobustScaler再进标准化流程。5.4 现象故障类别样本不平衡多数类把少数类淹没CWRU 数据通常比较均衡但工业现场自采数据的故障样本往往远少于正常样本。比如正常样本 3000 条内圈故障 200 条外圈故障 150 条。SVM 在类别不平衡时决策边界偏向样本量大的类少数类故障几乎全部被识别为正常。准确率照样高因为多数类比重大但这没有诊断意义。处理办法有两种。一是在 SVC 中设置 class_weightbalanced让模型根据样本数量自动调整类别权重这是改动最小的方法二是对少数类做 SMOTE 过采样但对振动特征来说SMOTE 会在少数类样本之间插值可能制造出不存在的过渡特征使用时需要额外验证有效性。我一般先用 class_weight如果少数类精确率仍然偏低再考虑过采样或增加数据采集。5.5 现象IGWO 早熟收敛狼群集体陷进局部最优IGWO 连续运行多次每次得到的最优参数几乎一样但准确率一直停留在一个明显不够高的水平。这时基本上可以判定收敛过程出问题。可以观察狼群的适应度方差如果 30 头狼里超过 20 头的适应度完全一致说明种群多样性已经崩溃后续迭代只是原地踏步。解决方向有三个把收敛因子递减曲线改得更平缓延长前期探索阶段引入变异算子每隔固定迭代轮数随机重置部分狼的位置或者直接使用多个随机重启取所有运行结果中适应度最高的一组参数。IGWO 本身是随机算法单一运行结果只能作为参考我一般会让算法跑 5 次每次随机种子不同把保留下来的最优参数用于最终模型同时必须记录每次的适应度日志方便判断是随机波动还是真的收敛到了稳定解。6. 进阶验证用混淆矩阵和分类报告确认诊断能力IGWO 跑完只是第一步故障诊断项目能否落地最终看的是每一类故障的识别情况而不仅仅是一个综合准确率。我习惯在测试集上输出混淆矩阵和分类报告确认内圈、外圈、滚动体、正常四类的精确率和召回率是否都达标。有些场景下综合准确率 95%但滚动体故障的召回率只有 50%这种模型现场不可用——漏报滚动体故障比多报几次误报警严重得多。from sklearn.metrics import classification_report, confusion_matrix pred final_model.predict(X_test_scaled) print(classification_report(y_test, pred, target_namesle.classes_)) print(confusion_matrix(y_test, pred))分类报告里重点看每类的 F1 分数。如果某一类的精确率远高于召回率说明模型对该类识别保守宁愿漏报也不想误报反过来表示模型倾向于过度报警。结合混淆矩阵把每一类被错分为哪一类也记下来内圈故障常被误认为外圈故障、滚动体故障常和正常纠缠这两种错分模式在滚动轴承故障诊断中比较常见。看到类似错位时不要盲目调参需要回到特征提取环节检查特征是否能区分故障方位有时增加频域特征或者对信号做包络解调预处理比反复调 c 和 g 更有效。验证端还有一个小技巧IGWO 寻优结束后把每代的最优适应度打印出来观察曲线形状。正常曲线应当是前期快速上升、后期平缓趋稳如果最后 10 代最优适应度还在持续上升说明迭代次数不够需要增大 max_iter如果 10 代内一点变化都没有可能是种群多样性问题。这个日志文件同时保留了可复现性后续换数据、换特征时能对比调参。这套流程我实际跑过多次最深的体会是IGWO 和 SVM 的组合在滚动轴承故障诊断里真正解决了“参数怎么定”的问题比网格搜索省下太多时间但前提是数据切分和特征标准化必须做扎实。算法部分反而是最不需要反复折腾的地方。希望这里的代码和踩坑记录能帮你在自己的数据上少走几趟弯路。本文还有配套的精品资源点击获取