基于振动信号分析与可解释机器学习的旋转机械预测性维护开源项目

该开源项目由marioandrededeus维护，发布于GitHub（项目名：predictive-maintenance-vibration-lab），聚焦振动信号分析与可解释机器学习在旋转机械预测性维护中的应用。项目覆盖数据采集、信号处理、特征提取、故障诊断模型及可解释性等全流程，采用开源协作模式，旨在推动预测性维护技术的普及与发展。

旋转机械是工业生产基石（如风力发电机、航空发动机等），其可靠运行直接影响生产效率与安全。传统维护策略（定期维护/事后维修）存在过度浪费或非计划停机风险。预测性维护（PdM）通过监测设备状态提前干预，实现维护效率与可靠性双提升，是工业4.0核心应用场景之一。

本项目为开放研究型项目，构建完整技术栈覆盖全流程。核心目标包括：1.建立标准化振动信号处理流程；2.开发高精度故障诊断模型；3.确保模型决策透明可解释；4.构建开源社区促进技术普及。

1.信号采集与预处理：支持加速度传感器数据读取、多通道融合，提供去噪滤波、重采样等预处理；2.特征工程：提取时域（统计/形状特征）、频域（FFT/包络谱）、时频域（STFT/小波变换）特征；3.故障诊断模型：涵盖传统ML（SVM/随机森林）、深度学习（CNN/LSTM）及集成方法；4.可解释性模块：特征重要性分析（SHAP/置换法）、模型可视化、局部解释（LIME）。

针对旋转机械常见故障：1.滚动轴承故障（外圈/内圈/滚动体/保持架）：结合包络分析与小波变换提取冲击特征；2.齿轮故障（磨损/裂纹/点蚀/断齿）：采用倒频谱及时频分析；3.转子不平衡/不对中：通过频谱特征识别与相位分析诊断。

基于Python生态构建，依赖包括：信号处理（SciPy/PyWavelets）、机器学习（scikit-learn/XGBoost）、深度学习（PyTorch/TensorFlow）、可解释性（SHAP/LIME）、可视化（Matplotlib/Plotly）等。采用Jupyter Notebook组织实验，提供模块化包支持生产部署。

1.风力发电：提前发现齿轮箱/轴承故障，优化维护计划；2.航空发动机：实时监控健康状态，预测剩余使用寿命；3.制造业：减少非计划停机，提高设备综合效率；4.轨道交通：保障运行安全，优化检修周期。

当前挑战：数据获取困难、工况复杂性、模型泛化能力有限、实时性要求高。未来方向：数字孪生集成、联邦学习、边缘计算、多模态融合、主动学习。