该文档是2025年中国研究生数学建模竞赛 E 题《高速列车轴承智能故障诊断问题》 的赛题说明文件，主要内容归纳如下：
🧠 一、背景与意义
- 问题重要性：高速列车轴承是走行系统的关键部件，故障易引发安全事故。
- 现有方法局限：传统方法依赖专家经验，诊断精度和泛化能力不足。
- 智能诊断潜力：基于深度学习的故障诊断方法具有高精度、强适应性等优势，但受噪声、数据不平衡等问题限制。
- 迁移学习应用：利用试验台数据（源域）迁移到实际列车数据（目标域），解决数据稀缺和分布不平衡问题。
🎯 二、任务要求
任务1：数据分析与故障特征提取
- 从源域数据中筛选代表性数据，结合轴承故障机理进行特征分析。
- 提取时域、频域、时频域或图像特征，用于后续诊断。
任务2：源域故障诊断
- 划分源域训练集与测试集，设计诊断模型（如深度学习模型）。
- 对诊断结果进行评价（准确率、召回率等）。
任务3：迁移诊断
- 设计迁移学习方法（如特征迁移、模型微调、对抗训练等），构建目标域诊断模型。
- 对目标域无标签数据进行分类和标定，可视化迁移结果。
任务4：迁移诊断的可解释性
- 从以下三方面任选进行分析：
- 事前可解释性：模型结构透明，决策逻辑清晰。
- 迁移过程可解释性：揭示知识迁移路径和共享特征。
- 事后可解释性：通过外部工具反推模型决策依据。
📂 三、数据集介绍
1. 源域数据集（试验台数据）
- 数据来源：电动机驱动端（DE）、风扇端（FE）、基座（BA）加速度传感器。
- 轴承类型：SKF6205（DE）、SKF6203（FE）。
- 故障类型：外圈（OR）、内圈（IR）、滚动体（B）、正常（N）。
- 故障尺寸：多种直径（0.007~0.028英寸）。
- 采样频率：12kHz 或 48kHz。
- 数据格式：. mat 文件，含 DE、FE、BA、time、RPM 等变量。
2. 目标域数据集（实际列车数据）
- 数据来源：实际列车轴承振动信号。
- 采样频率：32kHz，时长8秒，车速约90km/h。
- 故障类型：未知标签（OR、IR、B、N）。
- 文件命名：A~P 共16个文件。
3. 数据下载链接：
- 百度网盘链接
- 提取码：anih
📊 四、轴承故障机理与特征频率
故障类型与特征：
- 外圈故障（OR）：等周期等幅冲击，特征频率为 BPFO。
- 内圈故障（IR）：幅值受转频调制，特征频率为 BPFI。
- 滚动体故障（B）：受公转频率调制，特征频率为 BSF。
特征频率计算公式：
- BPFO = $f_r \cdot \frac{N_d}{2} \cdot (1 - \frac{d}{D})$
- BPFI = $f_r \cdot \frac{N_d}{2} \cdot (1 + \frac{d}{D})$
- BSF = $f_r \cdot \frac{D}{d} \cdot [1 - (\frac{d}{D})^2]$
其中：
- $f_r = \frac{n}{60}$（转频）
- $n$：转速（rpm）
- $d$：滚动体直径
- $D$：轴承节径
- $N_d$：滚动体数量
🔁 五、迁移学习方法类型（可选）
- 基于特征的迁移：特征对齐、对抗训练（如 DANN）。
- 基于模型的迁移：微调预训练模型、参数共享。
- 基于关系的迁移：利用数据间相似性。
- 基于样本的迁移：重要性加权、实例选择。
✅ 六、输出要求
- 提交源代码和数据集（若使用其他数据需注明出处）。
- 报告中需包含：
- 特征提取方法与结果
- 源域诊断模型与评估
- 迁移学习方法与目标域分类结果
- 可解释性分析（事前/迁移过程/事后）
📚 七、参考文献
- 提供多篇中英文文献，涵盖轴承故障诊断、迁移学习、可解释性等领域。
🧩 八、核心要点总结
| 项目 | 内容概要 |
|---|---|
| 问题类型 | 故障诊断 + 迁移学习 |
| 数据来源 | 试验台数据（源域） + 实际列车数据（目标域） |
| 故障类型 | 外圈、内圈、滚动体、正常 |
| 任务要求 | 特征提取、源域诊断、迁移学习、可解释性分析 |
| 方法建议 | 深度学习、迁移学习（特征/模型/样本/关系） |
| 输出要求 | 代码 + 数据 + 报告（含可视化、可解释性分析） |
[[E高速列车轴承智能故障诊断问题-论文_任务一]]