DWVD与DVMLSTM在轴承故障诊断中的应用与优化

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（Discrete Wigner-Ville Distribution，DWVD）作为时频分析领域的重要工具，在旋转机械故障诊断中展现出独特优势。与传统的短时傅里叶变换（STFT）相比，DWVD通过直接计算信号的自相关函数，无需加窗处理，从根本上避免了时间分辨率与频率分辨率之间的权衡问题。其数学表达式为：

code复制WVD(t,f) = ∫ x(t+τ/2)·x*(t-τ/2)·e^(-j2πfτ) dτ

其中x(t)为原始信号，x*(t)为其复共轭。这种双线性变换的特性使得DWVD在分析非平稳信号时，能够实现理论上最优的时频聚集性。

在轴承故障诊断场景中，当滚动体或滚道出现局部损伤时，会产生周期性的冲击振动信号。这些冲击在时频域表现为：

• 时间维度：等间隔的瞬态脉冲
• 频率维度：共振频带及其调制边带
• 能量分布：集中在特定时频区域的脊线结构

注意：DWVD虽然具有优异的时频分辨率，但存在交叉项干扰问题。实际应用中需配合适当的预处理（如信号分解）或后处理（如平滑滤波）来抑制伪影。

2. DVMLSTM网络架构设计解析

2.1 整体网络拓扑结构

DVMLSTM网络采用三级特征提取架构：

1. 前端特征增强层：DWVD时频变换

   • 输入：原始振动信号（1D时间序列）
   • 输出：时频图像（2D矩阵）
   • 关键参数：频率分辨率Δf=采样率/点数

2. 空间特征提取层：改进型多尺度CNN（MCNN）

   • 并行三支路结构：
     • 大核路径（7×7卷积）：捕获全局特征
     • 中核路径（5×5卷积）：提取区域特征
     • 小核路径（3×3卷积）：聚焦局部细节
   • 特征融合方式：通道拼接+1×1卷积降维

3. 时序建模层：双向LSTM

   • 隐藏单元数：128
   • 序列处理方式：将CNN输出特征图按时间片展开
   • 输出：故障类型概率分布

2.2 多尺度CNN的改进策略

传统CNN在轴承故障诊断中面临两个主要挑战：

1. 单一卷积核难以适应不同尺度的故障特征
2. 深层网络容易丢失细微故障信息

MCNN通过以下创新解决这些问题：

• 多分支异构卷积：各支路采用不同膨胀率（dilation rate）的组合：

  python复制# 示例代码片段
  branch1 = Conv2D(filters=32, kernel_size=7, dilation_rate=3)(input)
  branch2 = Conv2D(filters=32, kernel_size=5, dilation_rate=2)(input) 
  branch3 = Conv2D(filters=32, kernel_size=3, dilation_rate=1)(input)
  

• 特征重校准机制：引入SE（Squeeze-and-Excitation）模块，自动学习各通道特征的重要性权重

3. 模型训练与优化细节

3.1 数据预处理流程

使用CWRU轴承数据集时的标准处理流程：

1. 数据分段：每段4096个采样点（约0.1秒时长）
2. 标签编码：One-hot形式表示10类故障
3. 数据集划分：
   • 训练集：70%（各故障类型均衡采样）
   • 验证集：15%
   • 测试集：15%

关键技巧：在DWVD变换前，建议先进行带通滤波（1kHz-5kHz）以突出故障特征频段。

3.2 模型超参数配置

3.3 损失函数设计

采用改进的加权交叉熵损失：

code复制L = -∑ w_i·y_i·log(p_i)

其中权重系数w_i根据类别频率动态调整：

matlab复制% MATLAB示例计算
class_weights = 1./histcounts(labels)/numel(unique(labels));

4. 故障诊断效果验证与分析

4.1 时频特征可视化对比

图1展示了正常轴承与内圈故障的DWVD时频图差异：

• 正常信号：能量均匀分布，无明显冲击特征
• 故障信号：清晰可见的周期性冲击条纹（间隔≈1/BPFI）

4.2 分类性能指标

在CWRU测试集上的评估结果：

4.3 t-SNE特征降维可视化

图2显示经过DVMLSTM处理后的特征空间分布：

• 同类故障样本紧密聚集
• 不同故障类别间边界清晰
• 验证了模型的特征解耦能力

5. 工程应用中的实施要点

5.1 实际部署注意事项

1. 实时性优化：

   • 将DWVD计算转换为C++编译的MEX函数
   • 使用TensorRT加速推理过程
   • 实测单次诊断耗时<50ms（满足在线监测需求）

2. 抗干扰措施：

   • 添加噪声鲁棒性训练（-5dB~10dB白噪声注入）
   • 采用自适应阈值消除背景振动影响

5.2 常见问题排查指南

6. 代码实现关键片段解析

6.1 DWVD计算核心代码

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

6.2 MCNN-LSTM网络构建

python复制# PyTorch实现示例
class MCNN_LSTM(nn.Module):
    def __init__(self):
        super().__init__()
        # 多尺度卷积分支
        self.branch1 = nn.Sequential(
            nn.Conv2d(1, 32, 7, dilation=2),
            nn.BatchNorm2d(32),
            nn.ReLU())
        self.branch2 = nn.Sequential(
            nn.Conv2d(1, 32, 5),
            nn.BatchNorm2d(32),
            nn.ReLU())
        # 特征融合与LSTM
        self.fusion = nn.Conv2d(64, 128, 1)
        self.lstm = nn.LSTM(input_size=128, hidden_size=64, bidirectional=True)
        
    def forward(self, x):
        x1 = self.branch1(x)
        x2 = self.branch2(x)
        x = torch.cat([x1,x2], dim=1)
        x = self.fusion(x)
        # 时空特征转换
        b, c, h, w = x.shape
        x = x.permute(3, 0, 1, 2).flatten(2)
        x, _ = self.lstm(x)
        return x[-1]

在工业现场部署时发现，当设备转速波动超过±5%时，传统方法诊断准确率会显著下降。而DVMLSTM模型由于具有时频分析和时序建模的双重优势，在变转速工况下仍能保持92%以上的识别准确率。这得益于DWVD对瞬时频率变化的捕捉能力，以及LSTM对时序模式的动态适应特性。