89

[lqq521300264211]

flowchart TD
%% 样式定义
classDef goal fill:#4CAF50,color:#fff,stroke:#333,stroke-width:2px;
classDef step fill:#2196F3,color:#fff,stroke:#333,stroke-width:2px;
classDef substep fill:#E3F2FD,color:#333,stroke:#90CAF9,stroke-width:1px;
classDef output fill:#FFC107,color:#333,stroke:#FFA000,stroke-width:1px;
classDef end fill:#9C27B0,color:#fff,stroke:#7B1FA2,stroke-width:2px;

%% 核心目标
A[核心目标：构建适配目标域的<br>高质量源域特征数据集]:::goal;

%% 第一步：数据集构建
B[第一步：源域代表性数据集构建]:::step;
B1[工况筛选：<br>✓ 剔除0马力空载数据<br>✓ 仅保留驱动端（DE）传感器数据]:::substep;
B2[类别平衡：<br>✓ 故障类（B/IR/OR）随机下采样<br>✓ 故障:正常（N）=3:1]:::substep;
B3[输出1：与目标域可比的<br>均衡源域数据集]:::output;

%% 第二步：特征提取
C[第二步：多维度故障特征提取<br>（结合轴承故障机理）]:::step;
C1[时域特征（10个）：<br>均方根（RMS）、峭度、峰值因子等<br>→ 捕获信号能量/冲击特性]:::substep;
C2[频域特征（2个）：<br>FFT提取频谱均值、标准差<br>→ 定位故障特征频率能量]:::substep;
C3[时频域特征（8个）：<br>小波包变换（WPT）算8个频带能量占比<br>→ 捕捉跨频段能量迁移]:::substep;
C4[输出2：20维初始特征向量]:::output;

%% 第三步：特征优化
D[第三步：特征优化与预处理]:::step;
D1[Z-score标准化：<br>消除量纲差异，统一特征尺度]:::substep;
D2[随机森林特征评估：<br>剔除冗余特征，优化维度]:::substep;
D3[输出3：低维度、高敏感性<br>核心特征集]:::output;

%% 最终成果
E[最终成果：支撑后续迁移学习的<br>高质量源域特征输入<br>→ 提升目标域诊断精度与泛化能力]:::end;

%% 流程连接
A --> B;
B --> B1;
B1 --> B2;
B2 --> B3;

A --> C;
C --> C1;
C --> C2;
C --> C3;
C1 & C2 & C3 --> C4;

A --> D;
D --> D1;
D1 --> D2;
D2 --> D3;

B3 & C4 & D3 --> E;