DWVD+CNN+SVM融合的工业设备故障诊断系统

1. 项目概述

在工业设备故障诊断领域，非平稳信号的特征提取一直是个棘手的问题。传统的时频分析方法如短时傅里叶变换(STFT)和小波变换(CWT)都存在时频分辨率不可兼得的局限性，而单一的分类模型又难以在小样本场景下保持稳定的性能。针对这些痛点，我们开发了一套融合离散韦格纳分布(DWVD)、卷积神经网络(CNN)和支持向量机(SVM)的故障诊断系统。

这个系统的核心思路是：先用DWVD将振动信号转换为高分辨率的时频图像，再用CNN自动提取图像中的深层特征，最后用SVM进行分类。这种组合充分发挥了三种技术的优势：DWVD的高时频分辨率、CNN的特征自动提取能力，以及SVM在小样本下的优异分类性能。

2. 核心技术原理

2.1 离散韦格纳分布(DWVD)

DWVD是韦格纳-维尔分布(WVD)的离散化形式，其数学表达式为：

code复制DWVD(n,k) = Σ z(n+m)z*(n-m)e^(-j4πmk/N)

其中z(n)是解析信号，N是信号长度。与STFT相比，DWVD不需要选择窗函数，因此不存在时频分辨率的trade-off问题。但DWVD存在交叉项干扰，我们采用汉宁窗进行抑制，窗长设为64点。

在实际应用中，我们发现DWVD对轴承故障的冲击特征特别敏感。当轴承出现故障时，时频图上会呈现明显的脊线模式，这为后续的特征提取提供了很好的基础。

2.2 卷积神经网络设计

我们的CNN架构专门针对时频图像优化，包含以下关键设计：

1. 混合卷积核：同时使用3×3和5×5的卷积核，前者捕捉局部细节，后者提取更大范围的模式
2. SE注意力模块：对特征通道进行动态加权，突出故障相关的关键频段
3. 渐进式下采样：通过3个最大池化层逐步降低特征维度，避免信息损失过快

网络的具体参数配置如下表所示：