-
DPCA-MFF:面向复杂工况的高抗噪性轴承故障诊断模型
- 王琦淼,林培光,孙玫,刘利达
-
2026, 56(4):
94-105.
doi:10.6040/j.issn.1672-3961.0.2025.130
-
摘要
(
5 )
收藏
-
参考文献 |
相关文章 |
多维度评价
为解决复杂工况下单一轴承故障诊断存在的单模态数据信息片面、抗噪能力弱及跨工况适应性差等问题,提出一种基于动态主成分分析(dynamic principal component analysis, DPCA)与多模态特征融合(multimodal feature fusion, MFF)的增强诊断模型(DPCA-MFF)。利用DPCA对数据进行自适应降维,去除噪声并保留关键特征,结合时域统计量与快速傅里叶变换(fast Fourier transform, FFT)提取时频特征;采用双向门控循环单元(bidirectional gated recurrent unit, BiGRU)和残差网络(residual networks, ResNet)分别提取时频图像的时序依赖和空间特征,通过多头自注意力机制增强特征表达能力;通过交叉注意力机制实现多模态特征动态融合。在CWRU数据集噪声干扰试验中,所提模型对10种不同类型的故障信号平均识别率保持在99%以上;在变转速跨工况试验中,所提模型针对不同转速和健康状况的故障信号平均诊断准确率达98.1%,较单模态模型提升约4~6百分点,较卷积神经网络(convolutional neural network, CNN)-门控循环单元(gated recurrent unit, GRU)融合模型提升1.7百分点,在噪声水平为1.0的情况下准确率仍保持65.8%,在不同类型噪声条件下表现优异。试验结果表明,所提模型通过动态降噪、注意力增强与多模态融合全面提取故障特征,显著提升复杂工况下的抗噪性能与跨工况适应能力,为工业设备智能运维提供有效解决方案。