基于双通道特征融合的轴承故障诊断方法

基于卷积神经网络（Convolution Neural Network,CNN）的智能诊断方法在轴承故障诊断中应用广泛,但是大多数诊断模型以单源信息输入为主,这将影响基于CNN的故障诊断准确性和可靠性。针对这个问题,文章提出一种基于双通道特征融合的滚动轴承故障诊断方法。首先利用多重Q因子连续Gabor小波变换（Multiple Q-factor Continuous Gabor Wavelet Transform,CMQGWT）和快速谱相干（Fast Spectral Coherence,Fast-SC）分别构造滚动轴承振动信号的时频分析图;然后搭建1个具有双输入通道的CNN网络模型,通过特征融合层将各个通道提取的深度时频特征融合成1个新的特征;最后利用分类器输出诊断结果。在高速列车滚动轴承单故障和复合故障的分类识别试验中,较之于单输入通道的CNN模型,该模型具有更高的诊断准确性和鲁棒性。