STFT-CNN-BiGRU在风电齿轮箱故障诊断中的应用

1. 项目背景与核心价值

在工业设备维护领域，故障诊断一直是个既关键又棘手的课题。传统方法往往依赖专家经验和固定阈值判断，面对复杂工况时容易误判漏判。我最近在风电齿轮箱故障诊断项目中，尝试将信号处理与深度学习结合，发现STFT-CNN-BiGRU这个组合拳效果出奇地好——相比单一模型，诊断准确率提升了12.8%，特别是对早期微弱故障的识别能力显著增强。

这套方法的精妙之处在于三层架构的协同：STFT负责将时域振动信号转化为时频图像，CNN提取局部特征模式，BiGRU捕捉时序依赖关系。就像医生先看X光片（STFT），再用显微镜观察细胞（CNN），最后结合病史记录（BiGRU）做出综合诊断。下面我就拆解这套方案的实现细节，包含Matlab代码的关键片段和调参心得。

2. 技术方案设计解析

2.1 整体架构设计

方案采用端到端设计，输入原始振动信号，输出故障类型概率分布。核心流程如下：

1. 信号预处理层：对原始振动信号进行归一化和滑动窗口分割（窗口长度512点，重叠率75%）
2. STFT时频分析层：汉宁窗函数，窗长256点，FFT点数1024，生成128×128时频图
3. CNN特征提取层：4层卷积结构（32-64-128-256通道），每层接ReLU和BatchNorm
4. BiGRU时序建模层：双向GRU结构，隐藏单元128个，序列长度自适应
5. 分类输出层：全局平均池化+Softmax分类器

关键设计选择：STFT参数需匹配信号特性。对于齿轮箱特征频率（通常<5kHz），我们采样率设为12.8kHz，这样时频图能清晰呈现啮合频率及其边带。

2.2 核心模块实现细节

2.2.1 STFT时频变换实现

matlab复制% STFT参数设置
fs = 12800;             % 采样频率
window = hann(256);     % 汉宁窗
noverlap = 192;         % 重叠点数
nfft = 1024;            % FFT点数

% 执行STFT
[s, f, t] = spectrogram(x, window, noverlap, nfft, fs);
tfr = abs(s);