基于深度残差网络和双向GRU的小样本轴承故障诊断方法

本发明提供一种基于深度残差网络和双向GRU的小样本轴承故障诊断方法，将GAF图像与SFFT时频图按通道维度拼接，构建时空‑频域联合特征；改进ResNet输入层卷积核结构，使其支持双通道图像输入，通过多层残差块提取输入特征图中的空间特征；通过BiGRU前向‑后向隐藏状态协同，同时捕捉故障信号的时序依赖关系；并利用ImageNet预训练权重初始化ResNet，并采用端到端训练，构建从信号预处理到分类输出的完整流程。本发明通过GAF和SFFT双通道特征融合机制，实现时域与频域特征的深度协同；构建了改进的ResNet‑BiGRU模型，实现空间和时序特征的联合学习，克服传统模型特征提取单一缺陷；并通过迁移学习与端到端训练提升了模型泛化能力。