当前位置：服务支持 > 软件文章 > 离散韦格纳分布CNN-BiGRU故障诊断研究

离散韦格纳分布CNN-BiGRU故障诊断研究

阅读数 3

1 概述

基于离散韦格纳分布结合卷积神经网络与双向门控循环单元的故障诊断研究

摘要：本文提出一种基于离散韦格纳分布（DWVD）结合卷积神经网络（CNN）与双向门控循环单元（BiGRU）的故障诊断模型（DVCBI）。该模型通过DWVD将一维振动信号转换为二维时频图像，利用CNN提取空间特征，BiGRU捕捉时序依赖关系，实现端到端的故障分类。实验以凯斯西储大学（CWRU）轴承故障数据为示范，验证了DVCBI模型在故障诊断中的优越性，其诊断准确率较传统方法提升显著，为复杂工业设备的智能故障诊断提供了新思路。

关键词：离散韦格纳分布；卷积神经网络；双向门控循环单元；故障诊断；时频分析

一、引言

1.1 研究背景与意义

故障诊断是保障工业设备安全运行的关键技术。传统方法依赖人工特征提取与浅层模型，存在特征表示能力弱、泛化性差等问题。深度学习通过自动特征学习与端到端建模，为故障诊断提供了新范式。然而，单一模型（如仅用CNN或RNN）难以同时捕捉信号的时空特征。本文提出DVCBI模型，结合DWVD的时频分析能力与CNN-BiGRU的深度特征学习，实现高精度故障诊断。

1.2 国内外研究现状

现有研究多集中于单一时域或频域分析，如短时傅里叶变换（STFT）结合CNN，或直接使用一维CNN处理原始信号。但STFT存在分辨率受限问题，一维CNN难以捕捉长时依赖关系。DWVD作为非平稳信号分析工具，能提供高能量集中性的时频表示，结合CNN的空间特征提取与BiGRRU的双向时序建模，可更全面地刻画故障特征。

二、DVCBI模型理论与方法

2.1 离散韦格纳分布（DWVD）

编辑

2.2 CNN特征提取

CNN通过卷积层与池化层逐层提取信号的空间特征。本文采用双通道卷积结构：

通道1：小核卷积（3×3）捕捉局部细节；
通道2：大核卷积（5×5）提取全局模式。两通道特征通过注意力机制加权融合，增强关键特征表达。

2.3 BiGRU时序建模

BiGRU由前向与后向GRU组成，可同时捕捉过去与未来的时序依赖关系。其更新公式为：

编辑

2.4 DVCBI模型架构

DVCBI模型流程如下：

数据预处理：对原始振动信号进行归一化与分段；
DWVD变换：将一维信号转换为二维时频图像；
CNN特征提取：通过双通道卷积与注意力机制提取空间特征；
BiGRU时序建模：捕捉特征的时序依赖关系；
分类输出：全连接层结合Softmax实现故障分类。

三、实验验证

3.1 实验数据与设置

数据集：凯斯西储大学（CWRU）轴承故障数据，包含10种故障类型（内圈、外圈、滚动体故障，每种故障分3种损伤程度）；
数据划分：训练集70%，验证集15%，测试集15%；
对比模型：STFT-CNN、1D-CNN、LSTM、CNN-BiGRU；
评价指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数（F1-Score）。

3.2 实验结果与分析

3.2.1 模型性能对比

模型准确率精确率召回率 F1分数 STFT-CNN 89.2% 88.5% 89.0% 88.7% 1D-CNN 91.5% 90.8% 91.2% 91.0% LSTM 92.3% 91.7% 92.0% 91.8% CNN-BiGRU 94.1% 93.6% 93.9% 93.7% DVCBI 97.8% 97.3% 97.6% 97.4%

DVCBI模型在各项指标上均显著优于对比模型，证明其时空特征融合的有效性。