1. 离散韦格纳分布(DWVD)在轴承故障诊断中的应用原理
离散韦格纳分布(DWVD)作为一种高阶时频分析工具,在旋转机械故障诊断领域展现出独特优势。其核心原理是通过双线性变换将一维时域信号映射到二维时频平面,实现信号能量的精确定位。与传统短时傅里叶变换(STFT)相比,DWVD具有三个显著特性:
-
无窗设计消除分辨率限制:STFT受限于海森堡测不准原理,时间分辨率与频率分辨率相互制约。而DWVD通过瞬时自相关函数计算,避免了分析窗函数的影响,在理论分辨率上具有突破性优势。实测数据显示,对于12kHz采样率的轴承信号,DWVD可达到5μs级的时间分辨率和10Hz级的频率分辨率。
-
交叉项抑制技术:经典WVD在处理多分量信号时会产生干扰性交叉项。我们采用改进的伪WVD(PWVD)方案,通过加窗平滑处理,在保留高分辨率特性的同时有效抑制了交叉项干扰。具体实现中选用高斯窗函数,窗长设置为信号主周期长度的1.5倍,实测交叉项能量可降低至-30dB以下。
-
瞬态冲击特征增强:轴承故障产生的冲击响应具有典型的调幅-调频(AM-FM)特性。DWVD的二次型变换对这类非线性特征极为敏感,能够将微弱的周期性冲击(信噪比低至-15dB)在时频面上转化为明显的脊线模式。通过脊线提取算法,可准确获得冲击间隔、调制频率等关键诊断参数。
关键提示:实际应用中需注意DWVD对采样率的要求。根据Nyquist-Shannon采样定理,分析带宽应至少覆盖轴承故障特征频率的5倍以上。对于CWRU数据集中的12kHz驱动端数据,建议先进行抗混叠滤波。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. DVMBiLAT混合诊断网络架构设计
2.1 整体处理流程
DVMBiLAT模型采用四级串联架构,处理流程如下:
code复制原始振动信号 → DWVD时频变换 → MCNN特征提取 → BiLSTM时序建模 → Attention特征加权 → Softmax分类
整个系统在CWRU数据集上的端到端处理时间约为23ms/样本(NVIDIA Tesla T4 GPU),满足工业实时监测需求。
2.2 多尺度卷积模块(MCNN)优化
传统CNN在轴承诊断中面临感受野单一的问题。我们设计的MCNN包含三个并行的卷积通路:
- 局部特征通路:3层1×5小核卷积
