来源：期刊VIP网 时间：
作者：李文赞;刘勤明;叶春明;汪宇杰;
单位：上海理工大学管理学院;
摘要：【目的】随着工业设备自动化与智能化的发展，旋转机械的故障诊断已成为保障设备稳定运行的关键环节。传统故障诊断方法依赖人工经验和简单信号处理技术，难以应对复杂工况和多样化的故障类型。因此，提出一种基于格拉姆角场（Gram Angular Field, GAF）图像编码和增强型门控波形网络（Gated WaveNet, GWaveNet）架构的新型故障诊断方法。【方法】首先，将原始一维轴承振动信号通过GAF编码转换为二维图像，充分保留时序依赖性和动态信号变化特征。在这一过程中，为解决数据不平衡问题，采用窗口切分、噪声增强、合成少数类过采样技术（Synthetic Minority Oversampling Technique, SMOTE）等扩增样本多样性，增强了模型的训练效果并提高了鲁棒性。其次，构建了一种增强型GWaveNet架构，结合卷积层、残差连接、多尺度特征提取机制，增强了对故障模式的辨识能力。最后，基于美国凯斯西储大学（Case Western Reserve University, CWRU）公共数据集进行试验验证。试验结果表明，所提方法能够在健康、内圈故障、外圈故障3种工况下实现高准确率的故障诊断，并在复杂工况下展示出较强的泛化能力。【结果】结果表明，所提模型在旋转机械故障诊断中具有较高的准确性和鲁棒性，能够有效应对故障类型的多样性和实际工业环境中的不确定性。
关键词：旋转机械;;故障诊断;;深度学习;;格拉姆角场;;数据增强
基金资助：国家自然科学基金项目（72271161,72331006）;; 上海市2021年度“科技创新行动计划”宝山转型发展科技专项（21SQBS01404）;; 上海理工大学科技发展项目（2020KJFZ038）~~
