基于WSST-CNN-LSSVM的轴承智能故障诊断方法

1. 轴承故障诊断技术概述

在工业设备维护领域，轴承作为旋转机械的核心部件，其健康状况直接影响整机运行效率。传统基于振动信号分析的故障诊断方法往往面临信号噪声干扰大、特征提取依赖专家经验等问题。本文将详细介绍一种融合时频分析、深度学习和统计学习的智能诊断方案，通过Matlab实现从原始振动信号到故障分类的完整流程。

这套WSST-CNN-LSSVM组合方法的独特价值在于：

• 信号处理层：同步压缩小波变换(WSST)突破传统时频分析方法分辨率限制
• 特征学习层：二维CNN自动提取时频图像中的深层故障特征
• 分类决策层：最小二乘支持向量机(LSSVM)在小样本条件下实现稳定分类
• 可视化验证：t-SNE降维技术直观展示特征空间分布

实际测试表明，该方案在轴承故障数据集上平均识别准确率达到98.7%，相比传统方法提升约15%，且对噪声干扰表现出更强鲁棒性。

2. 同步压缩小波变换实现

2.1 WSST原理与参数选择

同步压缩小波变换(Wavelet Synchrosqueezed Transform)是对传统连续小波变换(CWT)的改进，通过频率重分配技术解决CWT时频扩散问题。其核心优势在于：

• 能量集中性：将扩散的小波系数压缩回真实频率轨迹
• 逆变换可行性：保留信号重构能力
• 抗噪性能：通过阈值过滤噪声干扰

关键参数选择依据：

matlab复制[wsstMat,~,~,f] = wsst(signal, 'amor', 10000);

• 小波基选择：'amor'表示Morlet小波，其复数形式适合捕捉振动信号中的瞬态冲击
• 采样率设置：10000Hz需覆盖轴承特征频率（计算公式：BPFO≈(N/2)×(1-d/D×cosα)×rpm/60）
• 频率范围：默认自动计算，也可手动指定轴承故障特征频带

2.2 时频图生成技巧

生成有效的时频图像需要注意：

1. 尺寸归一化：统一调整为128×128像素，便于CNN处理
2. 色彩映射：使用jet色图增强特征对比度
3. 动态范围：对幅值取对数处理（log10(abs(wsstMat)+eps)）扩展弱特征

典型故障时频特征：

• **内圈故