基于阶次谱与原型学习的跨转速复合故障诊断

旋转机械跨转速复合故障诊断：振动信号转阶次域后用一维阶次谱+二维时频图双分支编码，门控融合+可学习故障原型完成多标签预测，在Paderborn和MCC5-THU V2两个公开数据集、5个留出目标转速、3随机种子共75次正式实验中验证。带注释代码、技术文档、面试问答文档和整套配图，适合机械/电气类专业做毕设、加简历、备面试。

• 任务类型深度学习-计算机视觉
• 专业方向机械工程 · 电气工程 · 人工智能

项目亮点

• `基于阶次谱与原型学习的跨转速复合故障诊断-项目说明.pdf`：中文技术说明、实验依据、复现流程和 30 个答辩问答。
• `data/README.md`：两套公开数据的官方下载渠道、许可、体积和预处理命令。
• `code/`：数据处理、模型、训练、聚合和作图代码。
• `results/`：75 次正式运行对应的 JSON、checkpoint 与聚合结果。

如果你正在找一个能写进简历、面试时又能讲清楚的故障诊断项目，这个「转速一变，模型还能不能认出同一个故障」的题目会很合适——它不是在固定转速下刷个准确率，而是专门研究跨工况泛化这个更贴近真实工业场景的难题。

配套都给你备齐了，帮你真正搞懂它、在面试和答辩里讲明白：带中文注释的代码，一份技术文档，一份把面试问题连答案都写好的问答文档，还有一整套可以直接拿去做 PPT 的配图。

先说清楚，它到底在做什么

轴承、齿轮这些旋转部件的振动信号里，故障特征本质上是"转一圈发生几次"的周期性冲击，但如果转速一变，同样的故障在固定时间窗里出现的频率就跟着变，模型很容易学错。这个项目先把振动信号从时间域转换到阶次域（按"每转发生几次"对齐周期成分，而不是按时间对齐），再用一维阶次谱和二维时频图两个分支分别编码，用门控机制融合两路特征，最后不用普通分类头，而是让模型学习一组"故障原型"，通过和原型的余弦相似度打分，同时判断齿轮、轴承是否同时出故障（多标签任务）。

搞懂它，你能在面试里讲清楚什么

这才是这个项目对你最大的价值。把下面几件事吃透，面试官问到相关问题时，你都能从容答上来。

为什么要转到阶次域，而不是直接在时间域上训练。 这是这个项目最基础也最容易被追问的设计动机：固定时间窗在转速变化时会让同一种故障的周期特征"走样"，阶次域通过角度重采样把周期成分锁定在固定的阶次位置上，天然对转速变化更鲁棒。

怎么讲清楚门控融合和原型学习具体怎么运作。 两个分支的特征不是简单拼接，而是过一个Sigmoid门控层，让模型自己学会"这个样本该更信阶次谱还是更信时频图"；最终判断故障类型时也不是走一个普通的全连接分类头，而是把特征和K个可学习的故障原型做余弦相似度，每个原型独立过Sigmoid，这样一个样本可以同时激活"齿轮故障"和"轴承故障"两个原型，天然支持复合故障。

怎么诚实地讲清楚跨转速泛化的效果边界。 这是这个项目最值得讲的地方：在5个留出目标转速的正式实验里，最朴素的"阶次CNN"反而是最稳定的基线，在其中4个设置上拿到最高Macro-F1；更复杂的SpecProto和条件域对齐（CDG）只在部分数据集、部分转速上有优势，且CDG"不保证所有目标转速均提升"——项目原话就是这么写的。能讲清楚"复杂方法不一定处处占优"，比简单地说"我的方法全面领先"更有说服力。

面试官会问的，都帮你备好了

随便感受几个这个项目真实会被追问的问题：

• 为什么要转到阶次域，直接在原始振动信号上训练不行吗？
• 门控融合和简单拼接两个分支的特征相比，优势在哪？
• SpecProto和CDG没有在所有转速上都提升，这说明什么问题？

看到这几个是不是会愣一下？正常。配套的面试问答文档把这个项目——从整体思路到每个流程细节、各种面试可能追问的点——连参考答案都给你写好了。

另外还有现成的简历描述，照着改就能写进简历；那一整套配图也能直接套进 PPT 模板，快速出一份面试 / 答辩 PPT。你要做的不是背，而是理解，再用自己的话讲一遍。

配套资料：搞懂一个项目需要的，这里全都有

先看那份技术文档——从总体技术思路一直讲到答辩问答，图文并茂：

代码也给你了——关键部分都带着中文注释，帮你读懂"它到底是怎么实现的"，面试被追问细节时也答得上来：

技术文档、面试问答、源码注释、整套配图——搞懂一个项目、并在面试里讲清楚它，需要的全都备齐了。

适合谁

不管你是机械工程、电气工程专业想做一个贴近真实工业场景的故障诊断毕设，还是计算机专业想找一个信号处理+深度学习结合的项目，这个题目都接得住。它把阶次域信号处理、多标签学习和跨工况泛化这几块在工业界很实用的能力串在了一起，资料、讲解和面试答案都给你铺好了，把它真正搞懂、能讲出来，就是一个能写进简历、撑得起面试的项目。