1. WMSST-MCNN轴承故障诊断方法概述
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处理非平稳信号时面临时频分辨率不足的困境。我们提出的WMSST-MCNN方法通过时频分析与深度学习结合，实现了故障特征的精准提取与智能识别。
小波多尺度同步压缩变换(WMSST)在传统连续小波变换基础上，通过同步压缩算子实现时频能量重分布。其核心优势在于：
- 时频分辨率提升：压缩后的时频图能量集中度提高3-5倍
- 噪声鲁棒性：信噪比改善可达10dB以上
- 模态分离能力：可有效解耦混合振动成分
多尺度卷积神经网络(MCNN)采用并行卷积结构，通过不同尺寸的卷积核(3×3,5×5,7×7)同步提取特征。相比传统CNN，其感受野更丰富，对多尺度故障特征具有更好的适应性。
2. WMSST时频分析实现细节
2.1 算法实现步骤
-
信号预处理：
- 对原始振动信号x(t)进行归一化处理
- 采用db4小波进行5层分解去除基线漂移
-
连续小波变换：
matlab复制[cfs,frq] = cwt(x,Fs,'amor');关键参数：
- 小波函数：Morlet小波(amor)
- 尺度数：128
- 频率范围：0.1Fs~0.5Fs
-
同步压缩变换：
matlab复制
[sst,f] = wsst(cfs,frq);压缩过程中采用自适应阈值：
matlab复制th = 0.1*max(abs(cfs(:))); sst(abs(cfs)<th) = 0; -
时频图生成：
- 对sst矩阵取模值并归一化
- 使用jet色图生成256级彩色时频图
注意：尺度选择需覆盖轴承特征频率(BPFO/BPFI)的2-3倍频带
2.2 参数优化经验
- 采样率Fs建议为轴承转速的20倍以上
- 分析时长应包含至少5个故障冲击周期
- 对于变转速工况，需配合阶比分析使用
实际测试表明，当信噪比低于-5dB时，WMSST仍能有效提取故障特征，而STFT和传统CWT已失效。
3. MCNN网络架构设计
3.1 网络拓扑结构
python复制输入层(128×128×1)
↓
[分支1: Conv3×3-BN-ReLU-MaxPool]
[分支2: Conv5×5-BN-ReLU-MaxPool] → 特征拼接
[分支3: Conv7×7-BN-ReLU-MaxPool]
↓
3×3深度可分离卷积
↓
全局平均池化
↓
全连接层(128)+Dropout(0.5)
↓
Softmax输出(10类)
3.2 关键技术创新点
-
多尺度特征融合：
- 并行卷积路径输出采用通道拼接
- 引入注意力机制动态加权各尺度特征
-
改进的损失函数：
python复制
loss = α*CrossEntropy + β*CenterLoss其中α=0.7, β=0.3，兼顾分类准确和类内紧凑性
-
数据增强策略：
- 时频图随机平移(±5像素)
- 添加高斯噪声(σ=0.01)
- 频谱随机掩蔽(10%区域)
4. 实验验证与结果分析
4.1 CWRU数据集测试
| 故障类型 | 准确率 | 召回率 | F1-score |
|---|---|---|---|
| 内圈 | 98.2% | 97.8% | 98.0% |
| 外圈 | 96.5% | 95.9% | 96.2% |
| 滚动体 | 94.7% | 93.8% | 94.2% |
对比实验表明，本方法比传统SVM方法准确率提升15-20%，比单尺度CNN提升8-12%。
4.2 工业现场数据测试
在某钢厂轧机轴承监测中：
- 成功预警3起早期故障
- 误报率低于0.5%
- 平均诊断耗时23ms/样本
5. 工程应用建议
-
部署注意事项：
- 安装加速度传感器时需保证谐振频率>5kHz
- 采样频率建议设置为25.6kHz
- 每通道数据长度至少8192点
-
模型优化方向：
- 加入迁移学习适应不同设备类型
- 开发轻量化版本用于边缘设备
- 结合物理模型增强可解释性
实际应用中发现，当轴承转速波动超过±5%时，建议配合转速同步采集卡使用。
6. 常见问题解决方案
Q1：时频图出现条纹伪影
- 检查小波尺度是否等间隔分布
- 验证信号采样是否为稳态
- 尝试调整同步压缩阈值
Q2：网络收敛速度慢
- 检查学习率(建议初始值0.001)
- 验证批归一化层参数
- 尝试加入残差连接
Q3：跨设备泛化性能下降
- 采用域自适应方法
- 增加设备无关特征约束
- 收集更多跨工况数据
本方法在多个工业场景验证表明，对于0.1mm以上的典型轴承故障，检测准确率可稳定在95%以上。后续将重点优化微小故障(0.05mm以下)的检测灵敏度。