手把手教你：基于深度学习的滚动轴承故障诊断｜第 4 篇 · 数据预处理源码走读：从原始信号到可训练样本

本文是《滚动轴承故障诊断》系列的第 4 篇（数据预处理）。
系列完整目录见文末【专栏导航】。本篇讲解的 data_load 核心逻辑，配套的完整可运行脚本与报错速查见公众号：大雾的小屋。

一、为什么原始信号不能直接喂给模型

回顾第 3 篇：我们拿到的是一整条很长的振动时间序列。

但分类模型要的是"一条一条的样本"，每条有一个明确的标签（属于哪类故障）。所以预处理的核心任务就一句：把一整条信号，切成很多条有标签的小样本。

顺带还要解决两个工程问题：

1. 幅值尺度不统一：不同转速、不同工况下，振幅大小差很多，不处理模型会"以大欺小"；
2. 类别不平衡：不同文件切出的样本数不一样，不均衡会让模型偏科。

这三件事，就是 preprocess.py 干的活。

二、核心函数 data_load 的思路拆解

我们来看这个函数做了哪几件事（这是全系列第一个值得逐行读的代码）：

def data_load(path, data_name, cut_num, label):
    # ① 读入 .mat 文件
    data = loadmat(path + str(data_name) + '.mat')

    # ② 取出驱动端 DE 与风扇端 FE 两路信号
    org_DE = data['X' + name + '_DE_time']
    org_FE = data['X' + name + '_FE_time']

    # ③ 各自归一化到 [0,1]
    list_DE_n = MinMaxScaler().fit_transform(org_DE)
    list_FE_n = MinMaxScaler().fit_transform(org_FE)

    # ④ 打包成双通道，再按窗口切分
    signal = [[d, f] for d, f in zip(list_DE, list_FE)]
    for i in range(len(signal) // cut_num):
        data_cut.append(signal[i*cut_num : (i+1)*cut_num])
        label_cut.append(label)
    return data_cut, label_cut

四个动作，对应三件事 + 一个输出。下面逐一拆：

三、归一化：为什么压到 0~1

把 DE、FE 各自做 MinMax 归一化，把所有值压到 0~1。

为什么要做？

• 消除尺度差异：同一台机器不同转速，振幅可能差好几倍。若不归一化，模型会把"振幅大小"当成重要特征，而它其实只是工况，不是故障；
• 利于训练稳定：神经网络里数值过大容易让梯度爆炸/不收敛，压到 0~1 是标准做法；
• 两份信号各归各的：DE、FE 是不同传感器、不同量纲，必须分开归一化，不能混在一起算。

归一化用的是 MinMaxScaler().fit_transform()——它先"学"这段数据的最小/最大，再整体缩放到 0~1。

四、双通道：为什么用 DE + FE 两路

把归一化后的 DE 和 FE，逐点配对成 [DE, FE]，一条样本就成了 1000 点 × 2 通道。

• 两个传感器一个装在驱动端、一个装在风扇端，从不同角度"听"同一台轴承；
• 双通道信息互补，比只用一个通道更稳、更能抗干扰；
• 这也解释了第 2 篇为什么强调要装全依赖——(1000, 2) 这个输入形状后面模型都用。

五、滑窗切分：一条信号 → 一堆样本

关键步骤：for i in range(len(signal) // cut_num)，每 cut_num（本项目 1000）个点切一段。

• 每 1000 个点是一条样本，一条长长的信号能被切成很多条；
• 这本身就是最简单的数据增广：一条信号"变"出几十上百条样本，数据量一下就上来了；
• 也解释了为什么 CWRU 才 40 个文件，最后却有 5600 条样本——全是切窗切出来的。

六、类别均衡：每类固定 1400 条

切完之后，每个文件产出的样本数不一样（文件长度不同），所以最后要"齐步走"：

• 统计每类样本数；
• 每类随机抽取固定数量（本项目 1400 条），把四类配平。

配平的价值：防止模型"偷懒"。如果某类样本特别多，模型可能"反正大多数是这类，全猜这类也高分"——这样整体准确率虚高，但小类几乎全错。均衡后，四类被公平对待，指标才真实可信。

七、产出与交接

预处理跑完，项目目录多出两个文件：

预处理一次，三个模型通用——第 5、6、7 篇都从这两个文件读数据。

八、本篇小结

• 预处理 = 归一化 + 双通道 + 滑窗切分 + 类别均衡；
• 归一化消除工况差异、双通道增信息、切窗做增广、均衡防偏头；
• 完整脚本、运行方法、报错速查：关注公众号。

专栏导航

下一篇预告：《随机森林实战：传统方法为什么也要做》，看这个"不深度学习"的基线方法为什么在论文里必不可少。

版权说明：CWRU 数据集版权归凯斯西储大学所有，仅限学习研究使用。