基于多传感器融合与CWT-CNN-BiLSTM的方法用于旋转机械的小样本故障诊断

《Sensors》：A Multi-Sensor Fusion and CWT-CNN-BiLSTM-Based Approach for Small-Sample Fault Diagnosis in Rotating Machinery

　　

摘要

旋转机械在各行各业中被广泛应用，但在恶劣的运行条件下常常会出现突发故障。因此，确保其安全性和可靠性至关重要。然而，故障诊断往往面临诸多挑战，比如训练样本不足，以及单个振动传感器容易受到外部干扰和噪声的影响。为提升在噪声环境及小样本条件下的旋转机械故障识别精度，本文提出了一种基于多传感器融合与CWT-CNN-BiLSTM的小样本故障诊断方法。首先，将多个传感器采集的数据进行拼接融合，再通过CWT转换为二维特征图像。本研究还设计了一种CNN-BiLSTM模型，用于从图像中提取关键特征。该方法的有效性已通过韩国科学技术院提供的旋转机械故障诊断数据库得到验证，平均诊断准确率可达99.90%。实验结果表明，该技术在低样本条件下能够实现更精准且可靠的故障分类。