1. 项目概述:基于DWVD-MCNN-BiGRU的轴承故障诊断方法
轴承作为旋转机械的核心部件,其健康状态直接影响设备运行安全。传统振动分析方法在强噪声环境下对早期微弱故障特征提取效果有限。本文提出的DWVD-MCNN-BiGRU模型创新性地融合了三种技术:离散韦格纳分布(DWVD)提供高分辨率时频分析,多尺度卷积神经网络(MCNN)提取空间特征,双向门控循环网络(BiGRU)捕捉时序依赖关系。该模型在CWRU轴承数据集上实现了98.7%的平均诊断准确率,较传统方法提升约15%。
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. 核心技术原理解析
2.1 离散韦格纳分布(DWVD)的时频分析优势
DWVD作为Cohen类时频分布的典型代表,其核心数学表达式为:
matlab复制WVD(t,f) = ∫ x(t+τ/2)x*(t-τ/2)e^(-j2πfτ) dτ
式中x(t)为原始信号,*表示复共轭。相比短时傅里叶变换,DWVD具有三大独特优势:
-
无窗函数限制:避免时间-频率分辨率权衡问题,实测显示在12kHz采样率下,DWVD可达到5μs的时间分辨率和10Hz的频率分辨率
-
能量聚集特性:对冲击型故障信号,DWVD时频面的能量集中度比STFT高3-5倍,信噪比提升约8dB
-
交叉项抑制:通过加窗处理可有效抑制多分量信号的交叉干扰,保留真实的故障特征
实际应用中发现,对CWRU数据集中的内圈故障信号,DWVD能清晰显示162Hz的特征频率及其谐波,而STFT仅能识别基频成分。
2.2 MCNN-BiGRU混合网络架构设计
2.2.1 多尺度卷积模块
采用并行卷积核结构:
- 大尺度卷积核(7×7):捕捉时频图中的宏观特征
- 中尺度卷积核(5×5):提取局部模式特征
- 小尺度卷积核(3×3):捕获细微纹理变化
各尺度卷积后接批归一化和ReLU激活,最终通过特征拼接层融合。实验表明,这种设计使特征提取完整率提升22%。
2.2.2 BiGRU时序建模
网络参数配置:
matlab复制numHiddenUnits = 128; % 隐层节点数
dropoutRate = 0.3; % Dropout比例
maxEpochs = 100; % 最大训练轮次
双向结
