DWVD-CNN-ResNet混合模型在旋转机械故障诊断中的应用

1. 项目背景与核心挑战

在工业设备监测领域，故障诊断的准确性和实时性直接影响生产安全与运维效率。传统振动信号分析方法（如傅里叶变换）在处理非平稳信号时存在明显局限，而基于深度学习的端到端诊断方法又面临小样本场景下的泛化难题。本项目提出的DWVD-CNN-ResNet混合模型，通过时频分析与深度特征学习的有机结合，为旋转机械故障诊断提供了新的技术路径。

离散韦格纳分布（DWVD）作为二次型时频分析工具，能够有效保留信号的瞬时频率特征，特别适合捕捉轴承、齿轮等旋转部件故障引发的非平稳振动模式。但原始DWVD存在交叉项干扰问题，我们通过加窗处理和核函数设计实现了98.7%的交叉项抑制率。

2. DWVD时频特征提取实现细节

2.1 离散韦格纳分布算法优化

采用修正的Cohen类分布核函数：

matlab复制function [tfr] = dwvd(signal, Nfft, window)
    L = length(signal);
    tfr = zeros(Nfft, L);
    for n = 1:L
        tau = -min([n-1,L-n,round(Nfft/2)-1]):min([n-1,L-n,round(Nfft/2)-1]);
        indices = rem(Nfft + tau, Nfft) + 1;
        tfr(indices,n) = signal(n+tau) .* conj(signal(n-tau)) .* window(tau+ceil(length(window)/2));
    end
    tfr = fft(tfr, Nfft);
end

关键参数选择：

• 窗函数：Blackman-Harris窗（主瓣宽度与旁瓣衰减的平衡）
• Nfft：512点（经测试在128-1024范围内具有最佳时频分辨率）
• 采样率：12.8kHz（覆盖轴承故障特征频带）

2.2 时频图像预处理流程

1. 能量归一化：对每个时频切片进行L2归一化
2. 动态范围压缩：采用对数变换增强弱特征可见性
3. 尺寸标准化：统一缩放至224×224像素（适配CNN输入）

实测表明，经上述处理后的时频图，其故障特征区域对比度可提升3-5dB。图1展示了正