项目概览
这个综合案例以旋转不平衡激励下的梁振动为共同主题，将两份课程报告分为“测量系统设计”和“信号工况识别”两个阶段。前者回答应测量什么、量程与采样如何选择；后者使用课程提供的数据，回答能否由振动信号预测电机电压与激励位置。
合并后的重点是形成从物理问题、测量要求到数据表示和模型评价的完整分析思路。两个阶段的硬件与采样参数并不相同，课程数据不能描述为用我的选型方案自行采集。电压和位置预测也不是对实际装置已完成的在线诊断部署。
任务与设计要求
| 项目 | 条件或依据 | 类型 / 状态 |
|---|---|---|
| 机械激励范围 | 采集方案针对 600–6,000 rpm，即 10–100 Hz 旋转激励，估算力和加速度需求。 | 设计输入 |
| 测量量程与频带 | 目标量程约 ±25 g、分析频带 0–300 Hz；采样、滤波和分辨率需一起匹配。 | 设计要求 |
| 采集方案参数 | 提出每通道 1,000 samples/s，讨论约 300–400 Hz 低通滤波及 ADC。 | 方案参数 |
| 课程数据条件 | 200 组标注与 50 组盲测信号，每组 16,000 点、10 s、1,600 Hz。 | 数据输入 |
| 预测目标 | 电机电压与激励位置，两类输出分别评估误差。 | 分析任务 |
| 公平比较 | 比较工程特征、时域和 Welch 频谱三种表示，并统一验证指标。 | 评价要求 |
我的职责
- 我完成采集报告中的机械激励与测量参数分析，以及数据报告中的信号处理、三种网络方法比较和工程解释。工作连接了测量系统设计与数据分析，但保留两份报告各自的输入、假设和结果。
- 数据分析使用课程提供的信号与标签，以验证集比较模型误差；另外 50 组无标签信号用于最终预测。训练、验证和预测采用明确的数据角色，使模型选择与结果展示各有依据。
完成工作与方法
01 / 从旋转不平衡估算测量需求
采集设计把转盘偏心孔视作等效负偏心质量：孔径 4 mm、厚度 3 mm、偏心半径 30 mm，对应约 2.96×10⁻⁴ kg。按 Fu = merω²，转速从 600 到 6,000 rpm 时，激励力约从 0.035 N 增至 3.51 N。二次方关系提示，不能只按低转速响应选择量程。
报告用两端固支梁及简化单自由度模型分析加速度，估计上限约 21.9 g，提出约 ±25 g 的测量需求。梁长 570 mm，初步模态思路用于理解不同位置的响应。这里的加速度上限是模型估算，真实共振、连接阻尼及运行变化仍需通过实测校核。
02 / 联合选择传感、滤波与数字分辨率
目标频带 0–300 Hz 对应每通道 1,000 samples/s 的设计采样率，并讨论约 300–400 Hz 低通滤波。采样率高于目标最高频率的两倍只是起点，滤波器的过渡带、幅频响应和通道总转换能力也需要校核，才能减少带外信号混叠。
基线方案以 12 bit、5 V 和 50 mV/g 为例，量化尺度约 0.024 g/count。报告后续候选 ADS1148 使用 16 bit，在该名义条件下约为 0.00153 g/count。分辨率提高有助于区分幅值，但不能替代传感器噪声、安装与校准评价。
历史候选加速度传感器量程为 ±40 g、灵敏度约 50 mV/g，报告发现其生命周期存在问题。选型需要同时关注性能和可获得性；这些候选用于说明课程设计过程，不作为当前采购清单。多通道应用还应核对每通道与总采样率的区别。
03 / 明确课程数据的物理与数字表示
分析阶段的数据为 200×16,000 的标注信号矩阵及 50×16,000 的盲测矩阵，采样率 1,600 Hz、时长 10 s，频率分辨率约 0.1 Hz、奈奎斯特频率 800 Hz。目标变量为电机电压和激励位置，报告描述电压约 2.1–6.0 V、位置 5–23 cm。
数据用 16 bit 整数存储，但报告给出的采集 ADC 为 12 bit、输入 ±2.048 V，传感器灵敏度 330 mV/g，转换约 0.00303 g/count。存储类型与 ADC 有效位数不是同一概念。这组参数也与前面的采集选型例子不同，因此在转换与误差解释时单独使用。
信号转成加速度后去除直流分量，并按各网络输入组织预处理与归一化。物理上，电压改变转速和主要频率，激励位置则影响模态响应与幅值；仅看幅值或频率都可能存在位置辨识歧义，这也是比较不同输入表示的原因。
04 / 比较工程特征、时域与频谱网络
FeatureFCN 使用 8 个手工工程特征，提供较容易与信号物理含义联系的输入；TimeCNN 使用完整时域信号，保留局部时间变化；SpectrumCNN 使用 Welch 得到的 5–120 Hz 频谱，突出频率能量分布。三条路径改变的首先是信息表示，而不仅是网络名称。
在验证集上分别计算电压与位置的 MAE、RMSE、R²，并以平均 NRMSE 比较综合表现。FeatureFCN、TimeCNN 和 SpectrumCNN 的平均 NRMSE 分别为 8.57%、8.48% 和 9.82%。TimeCNN 在该划分的综合指标上略低，不把较小差异包装成普遍优势或统计显著提升。
FeatureFCN 的电压 MAE 为 0.172 V，TimeCNN 的位置 MAE 为 1.304 cm；SpectrumCNN 的位置 R² 为 0.794。功率谱会丢失部分时间和相位信息，可能削弱位置辨识，这提供了从物理信息解释模型表现的思路。该解释仍应与更大数据集和重复验证结合。
结果与要求验证
| 要求 | 采用方法 | 证据或结果 | 验证程度 |
|---|---|---|---|
| 覆盖预期激励 | 旋转不平衡与梁响应估算 | 激励约 0.035–3.51 N，估计最大加速度约 21.9 g，据此提出量程。 | 计算支持 |
| 目标频带与分辨率 | 联合讨论采样、滤波和 ADC | 形成 1,000 samples/s 设计及量化尺度，实际采集质量还需校准。 | 方案响应 |
| 课程数据的正确转换 | 区分 ADC 与存储类型，单独使用数据参数 | 1,600 Hz、10 s 数据按约 0.00303 g/count 转换，不套用前段选型。 | 计算支持 |
| 比较两个预测目标 | 统一验证集指标与三种输入方法 | 时域网络平均 NRMSE 8.48%；单目标指标分别列出。 | 计算支持 |
收获与改进
量程和分辨率必须共同覆盖振动变化
采集设计中，不平衡激励随转速平方增长，从约 0.035 N 增到 3.51 N，模型估计的最大加速度约 21.9 g，据此提出 ±25 g 量程。这个选择留给低幅值信号的分辨能力，还受灵敏度、噪声与 ADC 影响；只扩大范围可能避免削顶，却损失小变化。我的下一步会先用可控扫速检查共振附近是否超量程，再看低速信号的噪声和有效分辨率。同时核对 1,000 次/s 采样与抗混叠滤波器的实际衰减，确认带外振动不会折回目标频带。
保留从传感器到模型输入的物理对应
采集设计采用 5 V、50 mV/g 和 12 bit 的例子，量化尺度约 0.024 g/count；课程数据按自身的输入范围与灵敏度转换，约为 0.00303 g/count，采样率为 1,600 Hz。两阶段工作使我把 ADC 计数、加速度、特征和预测误差看作一条连续的数据链，每一步都需要对应具体测量条件。后续会为每批数据保留传感器、单位与采样配置，并用已知输入检查换算及频率轴；归一化参数继续由训练数据估计，方便追踪不同硬件条件对模型表现的影响。
按物理信息选择网络输入表示
SpectrumCNN 的位置 R² 为 0.794，预测有向中间位置集中的趋势；时域和特征方法则保留了不同类型的信息。Welch 功率谱突出频率能量，时域表示保留时间变化，激励位置又通过模态响应影响信号，因此输入表示本身就是工程选择。这个比较让我更重视哪些特征能够区分物理状态。后续我会在相近电压下比较不同位置的时域、特征与谱形，定位容易混淆的响应，再测试频谱范围或时域信息组合，寻找对位置辨识更有帮助、计算代价也合适的表示。
根据预测目标和计算代价选择模型
验证集中，TimeCNN 的平均 NRMSE 为 8.48%，FeatureFCN 为 8.57%；分别看目标时，前者位置 MAE 更低，后者电压 MAE 更低。这种接近的综合表现，使模型选择更依赖具体应用：位置辨识、解释性与计算资源可能有不同优先级。我会先按允许的电压和位置误差设置评价标准，再通过重复划分与区间误差观察结果的稳定性，同时比较训练和推理成本。后续在课程无标签预测之外加入带标签的独立工况，重点覆盖边缘位置与新运行条件，为部署选择提供依据。
项目来源
MMAN9350 - First Acquisition System Report .pdf 与 MMAN9350 - Data Analysis Report .pdf，2026 年 T2。两份报告分别提供采集方案设计和课程数据分析证据，未将后者描述为使用前者硬件自行采集。
UNSW 官方课程介绍 ↗