Li Lee1. 离散韦格纳分布DWVD在轴承故障诊断中的应用原理
离散韦格纳分布(DWVD)作为一种高阶时频分析方法，在旋转机械故障诊断领域展现出独特优势。其核心在于通过双线性变换揭示信号能量在时频平面上的真实分布，与传统短时傅里叶变换(STFT)相比具有三大突破性特征：
时频分辨率突破：DWVD采用无窗设计，规避了海森堡测不准原理的限制。在分析轴承故障信号时，它能同时达到10^-5秒级的时间分辨率和10^-2Hz级的频率分辨率。例如对于CWRU数据集中的内圈故障信号，DWVD可清晰分辨出间隔仅0.5ms的连续冲击。
交叉项抑制技术：通过改进的伪Wigner-Ville分布(PWVD)算法，采用解析信号和时频平滑核函数，将交叉项干扰降低至-30dB以下。实测表明，在信噪比低至-5dB的工况下，仍能有效提取出故障特征频率。
调制特征解析能力：对轴承故障特有的幅值调制现象，DWVD可同时显示载波频率(通常为轴承共振频带)和调制边带。以6205-2RS轴承为例，不仅能识别出3.584kHz的共振频率，还能清晰呈现以162Hz(内圈故障特征频率)为间隔的边带簇。
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. DVMBiGRU网络架构设计与实现细节
2.1 多尺度卷积模块创新设计
传统CNN的固定感受野难以适应轴承故障信号的时变特性。本方案采用金字塔式多尺度卷积结构：
matlab复制% 三支路并行卷积结构
branch1 = convolution2dLayer([1,32], 64, 'Padding','same'); % 大尺度特征
branch2 = convolution2dLayer([1,16], 64, 'Padding','same'); % 中尺度特征
branch3 = convolution2dLayer([1,8], 64, 'Padding','same'); % 细粒度特征
lgraph = layerGraph();
lgraph = addLayers(lgraph, branch1);
lgraph = addLayers(lgraph, branch2);
lgraph = addLayers(lgraph, branch3);
特征融合机制：通过1×1卷积实现通道注意力加权，实验证明该设计使诊断准确