基于CNN的变转速轴承故障智能诊断方法(CWTS+PSPP)

本方法的最大优势在于，可以在机器变速的情况下，依然可以获取较好的精确度，也就是防止了过拟合（有的模型只能在特定条件的数据下才能达到高准确率，条件一变准确率就断崖式下降）

流程图：

实际的技术改进有两个：

1.CWTS

用于对数据进行预处理，二维的CWTS对信号进行拆分后，它能维持信号在时域和频域上的所有信息

然后根据机器的转速，对二维信号作适当的大小裁剪，裁剪后的数据才作为CNN的输入

CWT

CWT，即连续小波变换，能把一段振动信号分解为时域和频域信号，原理如下

傅里叶提出，任何周期函数都可以用正弦函数和余弦函数构成的无穷级数来表示（机器是依靠旋转工作的，必然拥有周期）

我们要做的，就是把这些信号所对应的三角函数找出来

在连续小波变换中，我们需要用到小波碰撞，小波的基函数为

它由一个复三角函数乘上一个指数衰减函数构成的

其中，i代表常数，wo代表中心频率，t为自变量

复三角函数决定了函数的频率（指数函数没有频率和周期，因此三角函数就直接决定了函数频率）

指数衰减函数决定了函数的持续时间（指数函数参数不同衰减快慢不一样，衰减慢，持续时间就长，衰减快，持续时间就短）

进阶公式：

其中，b代表平移距离，a代表自变量的缩放

了解了小波基函数，就可以开始作连续小波变换了

连续小波变换的运算实际上是积分，是原始信号与小波基函数乘积后积分的过程

这里需要用到一个原理，不同三角函数相乘，频率一致时，得到的积分最大