简介：面向机械故障诊断与工业信号分析学习者的齿轮箱振动数据集，覆盖无故障、断齿、三齿磨损三类全负载工况实测记录，可用于机器学习建模、故障特征提取与预测性维护实验。压缩包共15个文件、约5.91MB，以mat格式原始振动信号为主体，配套6张png时域波形与频谱图、2个Python数据处理与振动分析脚本、1份记录齿数与啮合频率偏差的csv、pdf实验数据集说明文档及txt解读材料，构成从原始采集到分析出图的完整链路。已有846人学习下载。读者可借助脚本完成傅里叶变换等频域特征提取，对照图像比较不同故障模式的频率成分差异，并据此搭建分类模型验证诊断效果，适合课程实验与入门级故障诊断项目参考。
1. 齿轮箱故障数据.zip 里到底是什么：从压缩包到可用振动信号
齿轮箱故障数据.zip 这类压缩包，多半来自数据集合集、课程资料或设备厂商的示例包：解开后是按故障类型命名的文件夹，里面以 csv、mat 或 txt 保存数据，每条记录是加速度传感器采到的一段电压序列，转速、负载、采样率要么写在文件名里，要么只能靠信号本身反推。它解决的核心问题只有一个：没有台架、没有拆机权限，也能拿到「已知故障类型 + 已知工况」的振动波形，把诊断算法跑到能得出混淆矩阵。适合做旋转机械状态监测的算法工程师、要跑出课程结果的学生，以及验证边缘盒子推理链路的嵌入式开发。它不是开箱即用的训练集：从压缩包到能喂进模型的特征矩阵，中间隔着采样率核对、特征频率计算、切窗和防泄漏划分四道工序，哪一步糊弄，后面的准确率都是假的。
2. 拆包先看骨架：文件命名、采样率与特征频率
压缩包解开之后第一件事不是写模型，而是把「目录结构 + 文件名 + 采样参数」这三样东西弄清楚。经验上，一个齿轮箱故障数据集的信息密度最高的地方就是文件名——作者往往把故障类型、转速、负载、通道号、序号全塞进了一串下划线里。你把这串东西解析成一张表，后面所有的过滤、分组、画图都是在这张表上做；解析不了，就只能靠肉眼一个个点开文件看波形，几十个文件还能忍，几百个就是纯体力活。
第二件事是算特征频率。齿轮箱故障诊断之所以比一般的异常检测更「可解释」，就是因为齿轮和轴承的故障频率是可以从几何参数和转速算出来的：齿面点蚀、断齿会在啮合频率两侧长出一圈边带，轴承内圈、外圈的剥落会在包络谱上留下固定间隔的谱线。这些频率你不算，就只能看模型输出的概率值，出了错连往哪查都不知道；算了，哪怕模型翻车，你也能回到谱上找到原因。
第三件事是核对数据本身完不完整。公开数据集或示例包里出现采样中断、量程削顶、通道接反的情况并不罕见，这些缺陷在特征表上是看不出来的，只有回到原始波形才暴露。
2.1 目录树和文件名里藏着的标签
常见的组织方式是「一级目录按故障类型分，二级目录按工况分，文件名里带通道和序号」，大致长这样：
gearbox_fault/ ├── health/ │ ├── health_1500rpm_0Nm_ch1_001.csv │ └── health_1500rpm_0Nm_ch1_002.csv ├── gear_missing_tooth/ │ ├── gms_1500rpm_0Nm_ch1_001.csv │ └── gms_1200rpm_5Nm_ch1_001.csv ├── gear_wear/ └── bearing_inner/这种结构最省事，因为标签同时存在于目录名和文件名里，两边可以互相校验。也有把标签只写在目录名、文件名纯序号的，那就先按目录归类再编号。下面这段脚本把整棵树扫成一张索引表：
import re from pathlib import Path import pandas as pd ROOT = Path("./gearbox_fault") # 解压后的根目录 # 文件名示例：gms_1500rpm_0Nm_ch1_001.csv PAT = re.compile( r"(?P<tag>[a-z]+)_" r"(?P<rpm>\d+)rpm_" r"(?P<load>\d+)Nm_" r"(?P<ch>ch\d+)_" r"(?P<idx>\d+)", re.I, ) rows = [] for p in ROOT.rglob("*"): if p.suffix.lower() not in {".csv", ".mat", ".txt"}: continue m = PAT.search(p.stem) if m is None: # 解析失败不要丢，单独标记后人工看，命名不规范的文件往往正是额外工况 rows.append({"path": str(p), "tag": None, "rpm": None, "load": None, "ch": None, "idx": None}) continue rows.append({"path": str(p), **m.groupdict()}) idx = pd.DataFrame(rows) idx["label"] = idx["path"].str.split("/").str[-2] # 用上级目录名兜底做标签 print(idx["tag"].value_counts(dropna=False)) print(idx["label"].value_counts()) idx.to_csv("index.csv", index=False)几个地方值得说明。rglob("*")是递归遍历，比手写os.walk干净；后缀过滤一定要做，因为解压包里常混着.png、README.txt、.DS_Store这类文件，不滤掉后面读文件会直接抛异常。正则用了命名分组，好处是m.groupdict()直接变成字典，塞进 DataFrame 时列名天然对齐，不用再手动拼。
关键的一点是解析失败时保留行、把字段置空，而不是continue跳过。踩过的坑是：某一批文件命名时漏了转速字段，名字成了gms_0Nm_ch1_007.csv，如果按「解析失败就丢」的逻辑，这批文件会静默消失，而它们恰好是唯一一组变转速工况——模型在你的测试集上表现很好，一上真实设备就崩。留一个tag is None的子集，跑完统计一眼就能看见。
最后加一句：标签别只信目录名。有些包会把bearing_inner和bearing_outer的文件夹放反，或者在同一个目录里混装两种故障。用聚类或者简单的时域统计粗看一遍每类的分布，比无条件相信目录结构稳妥。
2.2 采样率、转速、齿数：算清楚该看哪根谱线
齿轮箱的频谱主要由三类频率构成：轴转频及其谐波、齿轮啮合频率及其边带、轴承故障特征频率及其谐波。它们的算法都是初等代数，但要先把几何参数凑齐。
转频与啮合频率：
fr = rpm / 60 # 单根轴的转频，单位 Hz GMF = z * fr # 啮合频率，z 为该对齿轮中主动轮的齿数 边带 = GMF ± k * fr (k = 1, 2, 3…) # 故障调制出来的边带族滚动轴承的四个特征频率（外圈 BPFO、内圈 BPFI、滚动体 BSF、保持架 FTF），设滚动体数 N、滚动体直径 d、节圆直径 D、接触角 α：
BPFO = (N/2) * fr * (1 - (d/D) * cos α) BPFI = (N/2) * fr * (1 + (d/D) * cos α) BSF = (D/(2d)) * fr * (1 - ((d/D) * cos α)**2) FTF = (fr/2) * (1 - (d/D) * cos α)拿一组示例参数走一遍，转速 1500 rpm 即 fr1 = 25 Hz，一级减速主动轮 29 齿、从动轮 100 齿：
| 参数 | 取值 | 推导 |
|---|---|---|
| 输入轴转频 fr1 | 25.0 Hz | 1500 / 60 |
| 减速比 | 3.45 | 100 / 29 |
| 输出轴转频 fr2 | 7.25 Hz | 25 × 29 / 100 |
| 啮合频率 GMF | 725 Hz | 29 × 25 |
| GMF 二次、三次谐波 | 1450 / 2175 Hz | 需要 fs > 4.4 kHz |
| 轴承外圈特征频率 BPFO | ≈ 89 Hz | 取 N=9, d/D=0.207, α=0 |
| 轴承内圈特征频率 BPFI | ≈ 136 Hz | 同上 |
这几个数一出来，后面所有决策都有了依据。窗长要多长？至少要覆盖几个 fr2 周期，否则 7.25 Hz 的边带根本分辨不出来。带通滤波选多宽？轴承故障激起的共振频带通常在 2 kHz 以上，如果你的采样率只有 4 kHz，那就别指望做包络分析。滤波器阶数怎么定？先用 4 阶 Butterworth 打底，过渡带够用、相位失真可控。
提示：齿数和轴承几何参数如果压缩包里没给，不要自己猜了填表。宁可只用不依赖几何参数的指标（RMS、峭度、谱峭度、频带能量占比），也不要用一个错的特征频率去解释包络谱——那是最容易被「看起来能对上」的巧合骗到的环节。
2.3 用一段脚本把每个文件体检一遍
索引表建好之后，写一个体检脚本，对每个文件输出长度、时长、缺失值、削顶比例和 RMS，五列就够：
import numpy as np import pandas as pd def health_check(path, fs=20000, clip_thr=0.98): x = pd.read_csv(path, header=None).iloc[:, 0].to_numpy(dtype=float) peak = np.abs(x).max() + 1e-12 return { "n": len(x), "dur_s": round(len(x) / fs, 3), "nan": int(np.isnan(x).sum()), "clip_ratio": float((np.abs(x) > clip_thr * peak).mean()), "rms": float(np.sqrt(np.mean(x ** 2))), } idx = pd.read_csv("index.csv") report = pd.DataFrame([health_check(p) for p in idx["path"]]) summary = pd.concat([idx[["label", "rpm", "load"]], report], axis=1) print(summary.groupby(["label", "rpm"])[["dur_s", "rms", "clip_ratio"]].describe())怎么读这张表。dur_s在同一工况下应该高度一致，出现明显偏短的，多半是采集中断或者文件被截断，这类样本切窗时会切出半截。clip_ratio大于 0.001 就要警惕，说明信号在传感器量程附近反复触顶，削顶后的波形是平的，峭度会被人为拉低，包络谱上还会冒出一堆和故障无关的高次谐波——这是典型的「数据缺陷伪装成故障特征」。rms在同一类、同一转速下应该在同一个量级上，某一类整体高出 5 倍以上，先怀疑通道接错或者单位不对（有的是 g，有的是 mV），而不是先怀疑故障。
真实项目里这五列救过命：某次一批bearing_outer样本的rms全都比health低一个数量级，一开始以为是早期故障幅值小，后来发现是那批文件的信号列在第 3 列，脚本按第 1 列取到了时间戳。这种错误在特征表上完全看不出来，只有回到原始文件才现形。
3. 从原始波形到样本矩阵：读取、切窗、标注与划分
数据体检通过之后，才轮到构造样本。这一步的产出是一张三要素对齐的表：特征矩阵 X、标签 y、分组 id g。第三列最容易被忽略，但它决定了后面的评估结果可不可信。整个流程里，读取环节负责「别取错列」，切窗环节负责「别切太短」，划分环节负责「别让同一段信号同时出现在训练和测试里」。
很多人在这三步上都做对了单个动作，但顺序错了：先切窗再划分，于是同一段连续信号切出来的相邻窗，一半在训练集、一半在测试集。因为相邻窗高度相关，模型只要记住这段波形就能拿高分，准确率 99% 而换一台设备就掉到 60%。这类翻车是静默的，没有任何报错，唯一能发现它的办法就是在切窗之前就把分组 id 打上。
3.1 三种格式的读取差异与通道对齐
csv 和 txt 相对简单，麻烦的是分隔符和表头。有的包用逗号，有的用制表符，有的第一行是列名、有的直接是数据。稳妥写法是先读前两行看看，再决定header和sep：
def sniff_csv(path): head = pd.read_csv(path, header=None, nrows=3) # 第一行如果全是字符串，基本可以判定是表头 has_header = all(isinstance(v, str) for v in head.iloc[0].tolist()) sep = "\t" if head.shape[1] == 1 and "\t" in open(path).readline() else "," return {"header": 0 if has_header else None, "sep": sep}.mat 的情况更复杂一些。scipy.io.loadmat返回的是一个字典，里面除了信号还有__header__、__version__、__globals__三个元数据键，直接对返回值做np.array()会得到一个 dtype=object 的怪东西，后面所有运算全报错。加上squeeze_me=True可以避免读出来是(1, 1, 10000)的三维数组，但真正的坑是「键名不固定」——不同批次的导出脚本可能把通道命名为acc1、CH1、X1_DE_time，写死键名一定会翻车。
import numpy as np import scipy.io as sio def load_mat_signal(path, prefer=("acc", "ch", "x")): raw = sio.loadmat(path, squeeze_me=True, struct_as_record=False) keys = [k for k in raw if not k.startswith("__")] # 优先按通道名匹配，匹配不到再退回"最长的一维数值数组" cand = [] for k in keys: v = raw[k] if np.ndim(v) == 1 and any(p in k.lower() for p in prefer): cand.append(k) if not cand: cand = [k for k in keys if np.ndim(raw[k]) == 1 and np.size(raw[k]) > 1000] if not cand: raise KeyError(f"{path} 无可用通道，实际键：{keys}") key = max(cand, key=lambda k: np.size(raw[k])) x = np.asarray(raw[key], dtype=float).ravel() return x, key逻辑上分三层：先按名字匹配，名字匹配不到就退回「长度超过 1000 的一维数组」，再不行就抛异常并把实际的键打印出来。最后这一步很重要，报错信息里带上keys，排查时间能从半小时缩到十秒。ravel()兜底处理个别文件被存成(n, 1)列向量的情况。
通道对齐的原则是：永远按名字取，不按列索引取。同一个数据集里，不同批次的列顺序可能不一样，某批是「时间、通道1、通道2」，另一批是「通道1、时间、通道2」，按索引取第 0 列，第一批拿到时间戳（单调递增，看起来还挺像信号），第二批拿到真信号。这种错误的特征是模型在第一批上表现极差、在第二批上正常，很容易被误判成工况差异。
3.2 窗长用转频算，不要用习惯值
「切 2048 点」几乎是所有人上手时的默认选择，因为 FFT 方便、显存友好、代码短。但如果采样率是 20 kHz，2048 点只有 0.1 秒，频率分辨率是 9.77 Hz。而前面算出来输出轴转频是 7.25 Hz，边带间隔就是 7.25 Hz —— 分辨率比间隔还宽，边带在谱上会糊成一根，包络解调看到的东西全是混叠出来的。这不是模型的问题，是窗长的问题，而且它无法靠增加训练轮数补救。
窗长有两个约束：
时域约束：N ≥ cycles / fr_min * fs # 至少覆盖 cycles 个最低转频周期 频域约束：N ≥ fs / (df_ratio * fr_min) # 分辨率 Δf = fs/N 要小于 df_ratio * fr_minimport numpy as np def pick_window(fs=20000, fr_min=7.25, cycles=5, df_ratio=0.2): n_time = int(np.ceil(cycles / fr_min * fs)) # 13793 n_freq = int(np.ceil(fs / (df_ratio * fr_min))) # 13793 n = max(n_time, n_freq) # 向上取到 2 的幂，FFT 更快，也方便后面统一 batch return int(2 ** np.ceil(np.log2(n))) N = pick_window() print(N, N / 20000, 20000 / N) # 16384 0.819 s 1.22 Hz参数含义：cycles是窗内包含的最低转频周期数，取 5 意味着最慢那根轴的波形至少走完 5 圈，转频调制的信息才不会丢；df_ratio是允许的频率分辨率相对最低转频的比例，取 0.2 表示分辨率要比边带间隔细 5 倍。按 fs=20 kHz、fr_min=7.25 Hz 算出来是 16384 点、0.82 秒、分辨率 1.22 Hz，边带能干净地分开。
实际切窗时叠 50% 重叠做样本增广，重叠比例别超过 75%，否则相邻样本几乎一样，等于给训练集注水。滑窗代码：
def sliding_window(x, N, hop=None): hop = hop or N // 2 if len(x) < N: return np.empty((0, N)) k = 1 + (len(x) - N) // hop idx = np.arange(N)[None, :] + hop * np.arange(k)[:, None] return x[idx]用np.arange花式索引一次性取出所有窗，比 Python 循环快一到两个数量级；len(x) < N时返回空数组而不是报错，让上层决定是丢弃还是零填充。
注意：不同转速下算出来的窗长不一样。如果一个数据集里混着 1500 rpm 和 600 rpm，要么统一按最低转速算一个偏长的窗，要么按转速分组各自切窗，然后重采样到同一长度。前一种做法简单，后一种做法保真，选哪个取决于你要不要做变工况迁移。
3.3 标签生成与划分：按工况分组，别按样本随机
标签生成本身不难，难的是划分。train_test_split的默认行为是随机打乱，对这份数据来说是错的，因为同一个文件切出来的几十个窗高度相关。正确的做法是按「文件」或者按「工况（rpm × 负载）」分组，用GroupKFold：
import numpy as np from sklearn.model_selection import GroupKFold # groups 的每一个元素对应一个窗，值是该窗来源文件（或工况）的 id groups = np.repeat(file_ids, windows_per_file) gkf = GroupKFold(n_splits=5) for tr, te in gkf.split(X, y, groups=groups): assert set(groups[tr]).isdisjoint(set(groups[te])) # 自检：分组必须不相交 ...assert那一行不是装饰，是后悔药。任何一次改动切窗逻辑之后，先跑这一行，确认分组确实不相交，再谈模型效果。血泪经验是：把切窗函数从「按文件切」改成「拼起来统一切」之后，分组 id 忘了同步更新，结果训练集和测试集共享了文件，跑了三天实验才发现，前面的结论全部作废。
如果目标是评估「换工况还能不能用」，那分组粒度要提到工况一级：留一工况交叉验证，五折就是每次留一个转速-负载组合不参与训练。这个设置下的准确率通常比随机划分低 10～30 个百分点，但那个数字才是现场能指望的。
3.4 归一化的三种做法与各自的代价
归一化看着是标准操作，实际是个选择题，因为振动信号的幅值本身就携带故障信息——齿面剥落的冲击会让 RMS 显著升高，如果归一化把这个差异抹掉，等于把最直白的线索删了。
| 做法 | 统计量来源 | 优点 | 代价 |
|---|---|---|---|
| 全局 z-score | 全体样本合并 | 实现最简单 | 把类间的幅值差异也压平，弱故障更难分 |
| 逐样本 z-score | 每个窗自己 | 消除传感器灵敏度、增益差异 | 幅值类特征全废，只剩波形形状 |
| 逐文件/逐工况 z-score | 同一文件或同一工况 | 消除通道差异，保留类间幅值差 | 需要文件级分组信息，冷启动时拿不到 |
我一般选第三种，代码上就是把统计量按file_id分组算：
def norm_by_group(X, gids): X = X.copy() for g in np.unique(gids): m = gids == g mu = X[m].mean(axis=0) sd = X[m].std(axis=0) + 1e-8 X[m] = (X[m] - mu) / sd return X+1e-8是防除零，某些通道在健康样本上可能几乎是常数（比如没接的通道全是 0），标准差算出来是 0。这种常量通道应该在归一化之前就识别出来删掉，不然它会在模型里变成一根永远不变、权重却是随机的输入。
4. 特征工程：时域、频域、包络谱三条线
到这一步，样本矩阵已经有了，接下来决定喂什么进去。齿轮箱诊断的经典做法是「人工特征 + 浅层分类器」，近几年流行「原始波形 + 一维卷积」。两条路都有人跑出好结果，但对这份数据我更倾向先做人工特征，理由不是效果，是可解释性：当模型说「这个是内圈故障」，你能指着包络谱上的 BPFI 及其谐波说「对，就是它」；换成端到端网络，你能拿出来的只有一张热力图和一串概率。
人工特征按三条线组织：时域指标反映冲击的强弱和波形的陡峭程度，频域指标反映能量在啮合频率及其边带上的分布，包络谱指标专门盯轴承的低频故障特征频率。三条线互补，单用任何一条都有明显盲区。
4.1 时域指标：谁对早期故障敏感，谁先失灵
常用的六个指标，公式和适用场景：
| 指标 | 定义 | 对什么敏感 | 什么时候失灵 |
|---|---|---|---|
| RMS | sqrt(mean(x²)) | 整体能量，故障后期涨得最明显 | 早期故障能量占比小，几乎不动 |
| 峰值 | max | x | |
| 峭度 | E[(x-μ)⁴]/σ⁴ | 冲击性，早期故障最敏感 | 故障发展到后期，冲击密集，峭度反而回落 |
| 峰值因子 | 峰值 / RMS | 冲击的相对强度 | 负载变化时会跟着漂 |
| 裕度因子 | 峰值 / (mean(sqrt | x | ))² |
| 波形因子 | RMS / mean | x |
峭度那条「先升后降」的曲线是最容易误判的地方。新上手时看到峭度从 3 涨到 8 就以为故障在恶化，实际上继续跑下去它可能回落到 4 —— 因为冲击从「偶发」变成「连续」，高斯性反而回来了。这时候该看的是包络谱上谐波的数量，而不是峭度。
import numpy as np from scipy.stats import kurtosis def time_features(x): rms = np.sqrt(np.mean(x ** 2)) peak = np.abs(x).max() mean_abs = np.mean(np.abs(x)) sqrt_mean = np.mean(np.sqrt(np.abs(x))) ** 2 return { "rms": rms, "peak": peak, "kurt": kurtosis(x, fisher=False), # fisher=False 得到 3 为正常值的峭度 "crest": peak / (rms + 1e-12), "clearance": peak / (sqrt_mean + 1e-12), "shape": rms / (mean_abs + 1e-12), }fisher=False是个必须记住的参数，默认的fisher=True给出的是超额峭度，健康信号的值是 0 而不是 3，跟教科书对不上，做论文图的时候很容易搞错。分母上的1e-12同样是防除零，某些被截断或者全零的窗会让mean_abs变成 0。
六个指标里有三个（峰值、峰值因子、裕度因子）本质都在描述同一件事：峰值相对其他统计量的比值。它们之间相关性极高，全塞进模型只会增加共线性，后面 4.3 会处理。
4.2 频域与包络解调：把调制边带从噪声里拔出来
频域分析分两层。第一层是直接对原始信号做 FFT，看啮合频率 GMF 及其谐波，以及它们两侧的边带。齿轮出现局部损伤时，每转一圈啮合一次刚度变化，会在 GMF 两侧生成间隔等于转频的边带族，边带的数量和幅值随损伤程度增加。第二层是包络解调，专门对付轴承：轴承故障的冲击激起的是高频共振，故障信息被调制在共振频带附近，直接看频谱只能看到一片 2～6 kHz 的噪声包，必须先把共振频带滤出来、取包络、再对包络做低通或 FFT，才能看到 BPFO / BPFI 那根低频谱线。
import numpy as np from scipy.signal import butter, sosfiltfilt, hilbert def envelope_spectrum(x, fs, band=(2000, 6000), nfft=None): nyq = fs / 2 lo, hi = band[0] / nyq, min(band[1], nyq * 0.98) / nyq sos = butter(4, [lo, hi], btype="bandpass", output="sos") xb = sosfiltfilt(sos, x) # 零相位带通，避免包络相位失真 env = np.abs(hilbert(xb)) # 希尔伯特解析信号的模即包络 env = env - env.mean() # 去直流，否则 0 Hz 掩盖低频峰 nfft = nfft or len(env) win = np.hanning(len(env)) S = np.abs(np.fft.rfft(env * win, n=nfft)) f = np.fft.rfftfreq(nfft, 1 / fs) return f, S几个参数需要交代清楚。sosfiltfilt用的是二阶节形式的滤波器，数值稳定性比b, a形式好，高阶时不会出现极点漂移；filtfilt前后各滤一遍，相位为零，包络不会整体平移。band的选择是这里最玄学的一环——它应该对准结构的共振频带，而不是随便取。判断方法有两个：一是看原始频谱，找能量抬升明显的宽峰；二是用谱峭度（spectral kurtosis）扫一遍频带，峭度最大的那个子带就是冲击最强的地方。如果数据里有内圈故障样本，验证方法很直接：改band让 BPFI 的谐波在包络谱上最清晰，然后把这一组参数固化下来用到所有样本，不要逐样本调带通——那等于把标签信息泄漏进特征提取。
补一句工程细节：nfft取默认的len(env)时，包络谱的频率分辨率是fs / N，跟原始谱一样。如果窗长是 16384、采样率 20 kHz，分辨率是 1.22 Hz，BPFO 的 89 Hz 和它的一、二次谐波都能落在不同的 bin 上，够用。如果窗短到 2048 点，分辨率 9.77 Hz，89 Hz 和 97.7 Hz 会挤在一起，包络分析等于白做。
拿到包络谱之后，提取的特征一般是这样几类：BPFO / BPFI / BSF 及其 2×、3× 谐波处的幅值，这些谐波幅值的和，以及特征频率与转频的调制边带（比如 BPFI ± fr）的幅值。这些都可以用一个函数批量算：
def order_amplitude(f, S, f0, tol=2.0, harmonics=3): """在包络谱上取 f0 及其谐波附近的峰值幅值，tol 单位 Hz""" out = {} for k in range(1, harmonics + 1): target = f0 * k m = (f >= target - tol) & (f <= target + tol) out[f"h{k}"] = float(S[m].max()) if m.any() else 0.0 return outtol取 2 Hz 是个折中：太窄，转速有 1% 波动就采不到峰；太宽，容易把邻近的干扰谱线算进来。真正稳妥的做法是用转速计信号做阶次跟踪，把时域信号重采样到等角度域，这样特征频率就固定在阶次上，不受转速波动影响。
4.3 特征筛选：30 维里有一半是重复的
把时域 6 个、频域 8 个、包络谱 12 个特征拼起来，大概 26～30 维。这 30 维里有大量共线性：峰值和峰值因子、裕度因子几乎是一条直线上的三个点；RMS 和各种频带能量之间也高度相关。全喂给逻辑回归会让系数不稳定，喂给树模型影响不大但会稀释特征重要性。
三步走。第一步砍高相关：算 Pearson 相关矩阵，|r| > 0.95的特征对里保留物理意义更明确的那一个，一般保留 RMS 而不是峰值（RMS 更稳）。
import numpy as np import pandas as pd def drop_collinear(df, thr=0.95): corr = df.corr().abs() upper = corr.where(np.triu(np.ones(corr.shape), k=1).astype(bool)) return [c for c in upper.columns if (upper[c] > thr).any()] X_keep = X_feat.drop(columns=drop_collinear(X_feat, 0.95))np.triu(..., k=1)取上三角，避免把对角线上的 1 和重复的下三角算进去；where把下三角置为 NaN，any()就能正确判断。
第二步看方差膨胀因子（VIF），VIF > 10 的特征说明它能被其余特征线性组合出来，用线性模型时应该删。第三步用树模型的feature_importances_或者置换重要性排序，把贡献接近 0 的砍掉。
注意：PCA 在这类特征上要慎用。降维之后的成分没有物理含义，诊断报告写不出「因为它包络谱上 BPFI 幅值超标」，只写得出「因为第二主成分大于 2.3」——现场没人买账。真要降维，优先用有监督的线性判别（LDA）或者直接让模型学稀疏权重。
5. 齿轮箱故障诊断的避坑清单：五类翻车现场与排查顺序
前面四章讲的是「怎么做对」，这一章讲「哪里会错」。下面五条都是实际跑数据时撞出来的，按「数据 → 信号 → 评估」的顺序排，排查的时候也建议按这个顺序走，因为后面的问题常常是前面埋的雷。
5.1 数据侧：标签名和通道顺序
坑一：同一类故障被拆成了两类。
现象：value_counts()里出现了bearing_inner、Bearing_Inner、inner三个类别，每个类别的样本数都只有预期的一半左右。训练出来的混淆矩阵里，模型把inner判成bearing_inner的错误率很高，而人眼看着这两类一模一样。
原因：解压包合并了不同批次的导出结果，命名规范不统一，大小写、下划线、中英文混用。代码里直接groupby("label")，字符串不相等就是不同类。
解决：在索引表阶段做一次标签归一化，统一小写、去下划线、建立映射表，并且把映射表打印出来人工核对一遍。
CANON = { "health": "healthy", "normal": "healthy", "good": "healthy", "gms": "gear_missing", "missing": "gear_missing", "inner": "bearing_inner", "bpfi": "bearing_inner", "outer": "bearing_outer", "bpfo": "bearing_outer", } idx["label_raw"] = idx["label"] idx["label"] = idx["label_raw"].str.lower().str.replace("-", "_") idx["label"] = idx["label"].map(lambda s: CANON.get(s, s)) print(idx.groupby(["label_raw", "label"]).size()) # 核对映射归一化之后一定要重新核对类别数，如果某一类的样本数和你预期对不上，说明映射表漏了。
坑二：按列索引取通道，特征全乱。
现象：模型在训练集上表现正常，换一个批次的文件测试，准确率接近随机猜测，且特征分布图和训练集完全对不上。
原因：第一批文件的列是「通道1, 通道2」，第二批是「时间戳, 通道1, 通道2」。代码里写的是df.iloc[:, 0]，第一批拿到通道1，第二批拿到时间戳。时间戳单调递增，看起来也是一条曲线，不画图发现不了。
解决：永远只按列名取，取不到就报错；文件没有表头时，先读一行判类型，把单调递增且量级明显不同的列识别为时间戳并剔除。
5.2 信号侧：窗长与带通
坑三：窗太短，边带糊成一根。
现象：频谱图上 GMF 两侧本该有一圈边带，实际只看到 GMF 单峰或者一个宽包；包络谱上 BPFO 附近也是一片隆起，找不到尖锐谱线。分类器在健康 vs 故障上能到 95%，但分不清内圈和外圈。
原因：窗长 2048 点、采样率 12 kHz，频率分辨率 5.86 Hz，而输出轴转频是 7.25 Hz，边带间隔比分辨率还小。
解决：按 3.2 的两条约束重算窗长，往上取到 2 的幂，用 16384 点重切一遍。顺带检查一下 FFT 前有没有加窗——不加窗的泄漏同样会糊掉边带。
坑四：包络谱上找不到轴承特征频率。
现象：明明标签是内圈故障，包络谱上 BPFI 的 136 Hz 却是个小鼓包，还没有旁边的 50 Hz 工频干扰高。
原因可能有四个：带通频带选错了，没盖住共振峰；信号没去趋势，低频漂移把包络压住；原始信号已经削顶，冲击被削平；或者 NPZ 文件里存的是已经滤波过的信号，再做一次带通等于双重滤波。排查顺序建议从「画原始波形」开始，看得见冲击再往下走。
解决：先看原始波形的时域图，冲击是否清晰；再看原始频谱，找到共振峰的位置重新定band；确认信号没有被预处理过；最后检查clip_ratio。
坑五：随机划分造出 99% 的假准确率。
现象：五折交叉验证准确率 99.2%，混淆矩阵干净得像教科书；但换一个转速的样本测试，掉到 62%。
原因：切窗之后用train_test_split随机划分，同一个文件切出来的相邻窗一半在训练、一半在测试。相邻窗重叠 50%，波形几乎相同。
解决：改成GroupKFold，分组 id 用文件名；如果目标是评估跨工况泛化，分组 id 提到工况一级，做留一工况验证。改完之后准确率大概率会掉到 75%～88% 区间，那个数字才是真的。
5.3 评估侧：口径和指标
除了上面五条，还有一个隐性的口径问题：多类问题里各类样本数往往不均衡，健康样本通常远多于故障样本。这时候看总体准确率没有意义，要看每类的召回率和宏平均 F1，尤其是「健康被判成故障」的误报率和「故障被判成健康」的漏报率——后者的代价在现场高得多。评估代码里直接classification_report(y_true, y_pred, digits=3)，把每一类都打出来，别只看一个总数字。
6. 让结果站得住：留一工况验证与一条看谱的习惯
模型跑出 95% 之后，我一般不看这个数字，先看另外两样东西。
第一样是留一工况验证的结果表。做法很直接：把工况（转速 × 负载）当成分组，每次留一组完全不参与训练，训完在这组上测，记录每一类的召回率。五折跑下来会得到一张 5 行 × K 列的表，每一行是一次「换工况」的表现。
import numpy as np from sklearn.model_selection import LeaveOneGroupOut logo = LeaveOneGroupOut() rows = [] for tr, te in logo.split(X, y, groups=cond_ids): clf.fit(X[tr], y[tr]) pred = clf.predict(X[te]) rows.append({ "held_out_cond": cond_ids[te][0], **{f"recall_{c}": r for c, r in zip(clf.classes_, recall_score(y[te], pred, average=None, labels=clf.classes_))}, })这张表比单一准确率信息量大得多。常见的形态是：留出高转速工况时各类召回率都在 85% 以上，留出低转速工况时健康类召回率还行、但早期故障类的召回率掉到 40% 左右。原因不复杂——低转速下冲击能量小，时域指标被噪声淹掉，而训练集里低转速样本又少。看到这个形态，改进方向自然就出来了：要么做阶次跟踪把转速影响归一化，要么在训练集里对低转速做重采样。
第二样是混淆矩阵的方向性。多类问题里我只看两个格子：健康被判成故障的数量，和故障被判成健康的数量。前者高说明模型过于敏感，现场会频繁误停机；后者高说明模型漏检，后果更严重。这两个数字调平衡，比把总体准确率从 92% 推到 95% 有价值得多。很多时候调阈值就能解决，不需要换模型。
还有一个习惯值得单独说：先画谱，再决定要不要上模型。
某次拿到一批新数据，直接在旧流程上跑，准确率只有 68%，折腾了两天换模型、调超参、加特征，最高爬到 73%。后来随手画了一张包络谱，发现所有样本的谱线形状几乎一样，区别只在幅值——再一看原始波形，信号里叠了一个 50 Hz 的强干扰，把整个动态范围都占了，峭度、峰值因子全部失真。加一个 50 Hz 陷波器重跑，同一套模型直接到 89%。
这件事之后，我的顺序固定成：先看时域波形有没有冲击、再看原始频谱找共振峰、再看包络谱上特征频率在不在、最后才轮到模型。谱上看得见的东西，模型才学得到；谱上根本看不见，堆再深的网络也只是在拟合噪声。前面算的那些特征频率，最大的价值不是当特征，是当尺子——用它来判断「这个信号里到底有没有故障信息」，比任何模型评估都直接。
包络谱的带通参数也一样，别指望一次调对。我一般的做法是先在几个候选频带上各画一张包络谱，把 BPFO / BPFI 的谐波族标出来，选那张谐波最清晰的，然后把参数写进配置文件固化下来，后面所有实验都用同一组。这样即使模型翻车，你也知道是模型的问题，不是特征提取又改了口径。
希望这些内容能帮你在拿到一个齿轮箱故障数据压缩包的时候，少走几步弯路。
本文还有配套的精品资源，点击获取
