基于多尺度加权融合特征学习的转子故障诊断

针对一维振动信号表达故障特征信息不全面及转子故障信噪比低的问题，提出一种基于多尺度加权融合特征学习的转子故障诊断方法。首先，对时域振动信号的幅值进行标准化处理，利用对称点模式(SDP)原理将多传感器振动信息融合为二维SDP图像，通过选取适当的时间滞后系数和角增益，突出不同故障下SDP图像的特征；其次，构建了一种多尺度加权卷积神经网络(MSW-CNN)模型，利用3个不同的感受野分别提取图像特征，通过对多通道图像特征进行加权融合提高了模型的分类精度；最后，利用MSW-CNN模型对6种故障状态的SDP图像进行特征提取并分类。实验结果表明，与其他3种方法相比，所提方法的转子故障诊断精度更高，达到99.31%,在噪声干扰下的诊断精度为96.23%,验证了所提方法的有效性。