1. WMSST-MCNN-GRU轴承故障诊断模型解析
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。传统振动信号分析方法在强噪声和变工况场景下存在特征提取不充分、诊断精度不足等问题。本文将详细介绍一种融合小波多尺度同步压缩变换(WMSST)、多尺度卷积神经网络(MCNN)和门控循环单元(GRU)的智能诊断模型,该模型在CWRU轴承数据集上实现了98.7%的准确率。
1.1 技术路线设计思路
WTMGRU模型采用三级处理架构:
- 信号预处理层:WMSST时频变换
- 特征提取层:MCNN多尺度卷积
- 时序建模层:GRU网络分类
关键创新点:通过WMSST时频分析增强故障冲击成分的可视化,利用MCNN捕捉不同尺度的局部特征,最后通过GRU建模特征间的时序依赖关系。
1.1.1 与传统方法的对比优势
| 方法类型 | 特征提取方式 | 抗噪性能 | 计算效率 | 适用场景 |
|---|---|---|---|---|
| 传统频谱分析 | 傅里叶变换 | 差 | 高 | 稳态信号 |
| 常规CNN | 单尺度卷积 | 一般 | 中 | 图像分类 |
| WTMGRU | 时频+MCNN | 强 | 较高 | 非平稳信号 |
1.2 WMSST时频分析实现细节
1.2.1 算法实现步骤
- 对原始信号x(t)进行连续小波变换:
matlab复制[cfs,frq] = cwt(x, 'amor', Fs); - 计算瞬时频率梯度:
math复制ω(u,ξ) = -i∂u[Ts(u,ξ)] / Ts(u,ξ) - 同步压缩变换:
matlab复制
Ts = synsq_cwt_fw(x, dt, nv, opt);
实测发现:当选择Morlet小波基且尺度参数为64时,对12kHz采样信号能获得最佳时频分辨率。
1.2.2 参数选择依据
- 尺度数:根据Nyquist定理设置为采样率的1/2
- 小波基:Morlet波具有最佳时频局部化特性
- 压缩阈值:通过KL散度评估设置为能量分布的
