基于数据驱动的时空特征融合智能故障诊断新方法STFF-IFD及其在旋转机械健康监测中的应用

本文提出了一种新颖的基于数据驱动时空特征融合（STFF-IFD）的智能故障诊断方法。该方法通过数据层（利用对称点模式SDP算法融合三维振动信号）、特征层（采用卷积自编码器CAE学习层次表征）和决策层（通过决策融合机制融合时空特征与不变点特征）的三级融合策略，实现了对旋转机械故障类型的精准智能识别。实验验证表明，该模型在诊断精度和环境适应性方面均表现出色，为基于多级信息融合的故障诊断提供了创新视角与技术路径。

　　

亮点

• •
  (1) 通过SDP实现信号到图像的转换： 对称点模式（SDP）方法将三维振动信号映射成围绕中心点对称分布的多分支图形结构。它实现了对三维振动信号的空间相关性、故障特征鲁棒性和视觉可读性的深度优化，从而解决了传统三维信号处理中特征冗余和解释复杂的问题。
• •
  (2) 多维时空特征融合系统： 通过利用卷积自编码器（CAE）处理多通道信号，可以从局部到全局尺度提取单域时间特征。同时，学习不变点特征以构建时空特征表示。这克服了传统单维特征提取的局限性，实现了对机械故障的双域（时间和空间）分析。
• •
  (3) 高效的加权决策融合机制： 所设计的机制有效整合了时空特征以完成智能诊断。通过减少对人工专业知识的过度依赖，深度学习算法可以自动为多维特征分配最优权重，实现科学准确的决策，并提升诊断识别能力。
• •
  (4) 多样化场景下的实验验证： STFF-IFD框架已在多种实验平台和不同工况下得到充分验证，展示了其在故障诊断精度、推理速度和鲁棒性方面的卓越能力。

机械故障模拟试验台数据集

机械故障模拟试验台（MFS）如图11所示。实验期间，采样频率设置为12 kHz，单次采样时长为10 s。采集了滚动轴承在10种不同健康状态下的振动数据：正常状态（NC）、轻度内圈故障（IF₁）、中度内圈故障（IF₂）、重度内圈故障（IF₃）、轻度外圈故障（OF₁）、中度外圈故障（OF₂）、重度外圈故障（OF₃）、轻度滚珠故障（BF₁）、中度滚珠故障（BF₂）...

结论

本研究提出了一个用于旋转机械智能故障诊断的鲁棒框架，该框架集成了多通道信号融合与大核深度可分离卷积（LKDSC）。通过在机械故障模拟试验台（MFS）和风力涡轮机系统模拟平台（WTS）上进行的系统性实验，所提出的基于时空特征融合（STFF-IFD）的智能故障诊断模型展现了其卓越的能力...