关键词：时序特征;特征提取;旋转机械;故障诊断;集成学习
摘 要：传统的旋转机械故障诊断方法在多尺度时序特征提取方面存在局限性，难以全面捕捉复杂故障特征。针对此问题，文章提出一种基于时序特征二次提取的故障诊断方法。首先，该方法通过对振动信号进行时间片划分，构建多尺度滑动窗口，生成特征矩阵。其次，利用LSTM（长短期记忆网络）并行地从不同尺度上提取特征，并将这些特征向量进行拼接。最后，采用SVM（支持向量机）对拼接后的特征向量进行分类，以实现高效且准确的故障诊断。在实验中，选用HUST（华中科技大学）轴承数据集验证该方法的有效性。实验结果表明，该方法在该数据集上实现了99.89%的高准确率，显著优于传统的直接诊断方法和单尺度特征提取方法，充分验证了其在实际应用中的可行性。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取