MATLAB实现基于CWT-CNN- BiLSTM连续小波变换（CWT）结合卷积双向长短期记忆神经网络（CNN- BiLSTM）进行故障诊断
请注意此篇内容只是一个项目介绍 更多详细内容可直接联系博主本人
或者访问对应标题的完整博客或者文档下载页面（含完整的程序，GUI设计和代码详解）
现代工业装备和复杂机电系统正朝着高性能、高自动化与高集成度方向快速发展，同时也带来了运行工况多变、负载波动显著、结构耦合增强等一系列问题。尤其在轴承、齿轮箱、电机、风机、压缩机和数控机床等关键部件中，细微的早期故障一旦未能被及时识别，就可能在短时间内演化为严重故障，导致整条生产线停机，甚至引发安全事故和巨额经济损失。这种背景下，面向实际工况的智能故障诊断成为工业界与学术界共同关注的关键方向。
传统故障诊断方法主要依赖专家经验与特征工程。通过振动传感器、电流传感器或声学传感器采集信号，再利用傅里叶变换、包络解调、小波包分解等信号处理技术，提取特定频带的能量、峭度、峰值因子等统计或频域特征，进而结合支持向量机、K近邻、传统神经网络等分类模型进行故障识别。这一流程在人为可解释性上具有一定优势，但严重依赖领域专家的特征设计能力，并且在多工况、强噪声和耦合故障场景下往往难以保持稳定的诊断性能。此外，当设备运行工况频繁变化、转速不恒定、负载持续波动时，振动与电流信号会呈现明显的非平稳特征，传统的线性频域分析方法显得力不从心。
连续小波变换在处理非平稳信号方面具备先天优势。通过在不同尺度和时间位置对信号进行局部分析，能够同时刻画信号在时间与频率上的局部细节，而不会像短时傅里叶变换那样受固定窗宽限制。尤其在机械故障振动信号中，早期微裂纹、局部剥落、齿面磨损等故障往往表现为间歇性冲击或调制信号，这类特征在原始时域波形中较为隐蔽，但在连续小波系数的时频分布上会呈现清晰的能量聚集带和条纹结构。将连续小波变换得到的时频系数视作二维“图片”后，便可以借助卷积神经网络强大的空间特征提取能力。
卷积神经网络擅长从二维数据中自动提取多层次特征，不需要人工设计具体的滤波器和特征指标。通过多层卷积与池化结构，网络可以逐步从底层的边缘、纹理信息，抽象到更加高阶的模式分布，从而提取对故障类型更敏感且对噪声与工况变化更鲁棒的深层特征。但是机械设备运行状态常常体现出明显的时间序列相关性，故障发生与发展过程具有时间上的动态模式，仅依靠二维空间特征可能不足以刻画故障演化或工况切换带来的时序特征。这时，长短期记忆网络以及其双向结构就显得尤为重要。
双向长短期记忆网络在普通循环神经网络的基础上，有效缓解梯度消失问题，并通过前向和后向两个方向对序列信息进行建模，使得每个时间步的输出不仅考虑到过去的状态，也充分融合后续时间片段提供的上下文信息。在故障诊断场景中，某些瞬时特征可能只有结合前后多个时间窗口的整体形态才能被准确识别，例如转速缓慢变化导致特征频率带缓慢漂移，或者多个故障互相耦合导致冲击形态随时间发生复杂变化。引入双向长短期记忆网络能显著提升模型对这种复杂时序模式的捕捉能力。
将连续小波变换与卷积双向长短期记忆网络结合，构建基于CWT‑CNN‑BiLSTM的故障诊断方法，正是顺应了复杂工业场景的实际需求。一方面，连续小波变换负责将非平稳的一维信号映射到结构清晰的时频空间，保留微弱冲击与局部非平稳信息；另一方面，卷积神经网络从时频“图像”中提取高维空间特征，再通过双向长短期记忆网络在时间维度上整合多个连续小波时频帧的动态信息，从而形成端到端的智能诊断框架。这种模式不再依赖大量人工特征设计，能够通过数据驱动自动学习对故障类型更敏感、高度判别性的特征子空间。
MATLAB在信号处理与深度学习方面拥有成熟的工具箱，如Signal Processing Toolbox、Wavelet Toolbox、Deep Learning Toolbox等，为CWT‑CNN‑BiLSTM的实现提供稳定高效的支持。R2025b版本在深度学习接口、GPU加速、可视化与模型调试方面更加完善，可以比较顺畅地完成从原始数据读取、预处理、特征转换、网络构建、训练到验证与可视化的完整流程。通过在MATLAB中实现这一模型，可以便捷地与现有工程数据采集与控制系统集成，为实际工业设备提供实时或近实时的智能故障监测能力。基于此背景，构建一套面向机械设备关键部件的CWT‑CNN‑BiLSTM故障诊断方案，具有现实工程需求、技术前沿意义和应用推广价值。
项目目标与意义
故障诊断精度与鲁棒性的提升
目标是借助连续小波变换与深度神经网络的联合优势，在多工况、多故障类型、强噪声背景条件下，仍能实现高精度的自动故障识别。机械设备在实际运行环境中往往处于变转速、变载荷和环境干扰复杂的状态，传统方法在某一固定工况下可能表现良好，但在工况变化、信号质量下降时，诊断精度往往明显下降。通过将原始振动或电流信号转换为连续小波时频图，同时利用卷积网络提取空间局部模式，再结合双向长短期记忆网络建模序列依赖关系，可以显著增强模型对复杂特征的表达能力。模型将不再局限于手工构造的有限特征，而是自动从大量数据中学习最有利于区分不同故障模式的高维表示。目标还包括提升对早期微小故障的敏感性，让模型在故障尚未发展为严重损伤之前就给出可靠预警，从而为维护决策赢得宝贵时间，提高整体设备可靠性和生产线连续性。
降低对人工经验和特征工程的依赖
在传统振动诊断工作流程中，特征选取极度依赖经验丰富的工程人员，需要根据设备结构、故障机理和以往经验，反复设定滤波参数、频带范围和统计量组合。这种方式不仅耗时，而且难以适应设备型号、工况和传感器布置的变化。本项目希望通过构建CWT‑CNN‑BiLSTM端到端模型，使从原始信号到故障类别的映射由模型自主学习完成。在连续小波变换阶段，仅需要确定合适的母小波类型和尺度范围，而不再逐一手工选择频带和特征指标；卷积网络与双向长短期记忆网络将从大量样本数据中自动提炼对分类最有帮助的特征组合。这种方式可以显著减轻工程人员负担，同时为模型迁移与扩展打下基础，使相同架构可在不同设备和场景中快速重用，只需有限数据微调即可获得较好效果。此外，减少人为干预也有助于避免主观偏见导致的特征遗漏，提高故障诊断过程的客观性和可复现性。
支持多工况、多故障和复合故障诊断
实际工业现场中，设备故障往往不是简单的单一模式，而是多工况下多种故障并存甚至复合出现。转速变化会引起特征频率位置偏移，负载波动会导致振幅和能量分布变化，多个故障叠加会在信号中产生相互耦合的复杂模式。本项目在模型设计上特别关注这一现实需求，希望构建的CWT‑CNN‑BiLSTM结构能同时适配多种运行工况，并在训练阶段融入多类别、多工况和可能的复合故障数据。连续小波变换提供了在不同尺度和时间位置上的精细分解，使得在频率漂移和多频带能量交叠时仍能区分不同成分；卷积网络能够从时频图中学习复杂的空间纹理和能量分布特征，而双向长短期记忆网络则在时间轴上综合多个时频帧的模式变化。通过这一整体架构，目标是实现对多种故障类型、不同严重程度及其组合状态的统一建模与识别，而不是为每种工况单独构建模型，从而显著提升诊断系统在复杂工况下的适用性和可扩展性。
为预测性维护与智能运维提供技术支撑
准确可靠的故障诊断是实现预测性维护和智能运维的基础。传统计划性维护模式往往基于经验设定固定检修周期，容易造成“过维修”或“欠维修”的问题，一方面浪费大量维护资源，另一方面又无法避免突发性故障。本项目中的CWT‑CNN‑BiLSTM诊断模型一旦在现场稳定运行，就可以持续获取设备的振动或电流信号，实时输出健康状态与故障类别，进一步还可结合时间序列趋势分析与剩余寿命建模，为运维人员提供设备健康度评估与故障发展趋势信息。这种能力为实施预测性维护策略提供核心支撑，使维护决策从“定期更换”逐渐转变为“按状态维护”。一旦模型识别出早期故障迹象或健康度明显下降，即可主动安排检修计划，合理调配备件与人力资源，避免生产高峰期的被动停机。对于风电、轨道交通、石化、电力等对可靠性要求极高的行业，这种基于数据驱动的智能诊断与运维模式具有显著的经济价值和安全意义。
项目挑战及解决方案
非平稳信号与复杂工况处理挑战及方案
机械设备在实际运行中经常经历启停过程、转速缓升缓降、负载交替和工艺节拍变化，其振动信号呈现出明显的非平稳特征。冲击信号可能只在短时间窗口内出现，特征频率也会随转速和负载变化而不断漂移。如果仍然只在整段信号上使用传统傅里叶变换或简单统计特征，很容易掩盖这些瞬态特征，导致早期故障难以识别。本项目的核心挑战之一就在于如何在复杂工况下，对非平稳信号进行有效表示和特征提取，同时保证计算效率与模型可训练性。针对这一挑战，采用连续小波变换进行时频分析，将一维振动或电流采样序列分解为二维时频系数矩阵，通过合理选择母小波与尺度范围，增强冲击事件和调制模式的可视性。对于转速变化显著的场景，可在前期预处理中引入基于转速的重采样或同步时频分析，使得特征更集中于固有故障频带，从而减弱转速漂移的影响。
在具体实现中，将长时间信号分割为若干重叠的时间片，每个时间片计算连续小波系数，形成一系列时频图帧，再输入卷积网络和双向长短期记忆网络进行联合建模。卷积网络负责从每一帧时频图中提取局部纹理与能量分布特征，双向长短期记忆网络通过序列建模整合多个时间片帧之间的变化趋势，增强模型对瞬态事件与工况切换过程的捕捉能力。对于严重噪声干扰场景，在连续小波变换前可以采用带通滤波、自适应噪声抑制或经验模态分解筛选等方法进行预清洗，降低高频白噪声和低频趋势干扰。在训练阶段，还可以通过数据增强策略模拟不同噪声水平和工况，从而提升模型在实际运行时的鲁棒性与泛化能力。
模型复杂度、训练稳定性与过拟合控制
CWT‑CNN‑BiLSTM结构同时引入二维卷积网络和双向长短期记忆网络，参数量相对较大，模型表达能力很强，但也更容易在训练中出现梯度不稳定、训练时间过长和过拟合等问题。尤其在工业现场，标注数据获取成本高，部分故障类型样本数量有限，而深度网络却需要足够规模的数据支撑，以避免只记忆训练集而无法泛化至新的工况与设备。因此，如何在保证模型表达能力的前提下控制复杂度、稳定训练过程并有效抑制过拟合，是本项目必须面对的关键问题之一。解决思路包括多个方面。
在模型结构设计上，通过合理控制卷积层数量、卷积核规模、通道数和双向长短期记忆网络隐藏单元数量，使网络既具有足够的特征表达能力，又不会膨胀到难以训练的规模。可在卷积层之间加入批归一化层与适度的Dropout层，既加速收敛，又缓解梯度消失和模型对某些特征的过度依赖。在长短期记忆部分引入较小的Dropout比例，避免时间维度上过强的稀疏导致信息严重丢失。训练策略上，通过分批次训练、使用Adam等自适应优化算法、设置合理的学习率和衰减策略，保证训练过程稳定，并且引入验证集监控性能变化，采用早停策略在验证集性能不再提升时终止训练，防止在训练集上过拟合。
数据层面，可以通过多种方式增强样本多样性。例如，对原始信号进行随机截取、加噪、微幅时间拉伸或压缩，以模拟不同采样起点和噪声条件；对于时频图像，可以引入轻微的平移和缩放增强，但需保持物理意义一致。在故障类别不平衡的情形，可以采用过采样、欠采样或类别权重调整，使网络训练时不过于偏向样本多的类别，避免对少数故障类识别能力不足。通过这些综合策略，在保证模型复杂度适度的前提下，可以有效提高训练稳定性，降低过拟合风险。
MATLAB环境下的实现细节与工程部署难点
在MATLAB R2025b环境下实现CWT‑CNN‑BiLSTM，需要充分利用Wavelet Toolbox和Deep Learning Toolbox提供的函数，同时注意版本更新带来的接口与行为变化。连续小波变换可以通过cwt函数直接获得时频系数，但为与卷积网络的输入格式匹配，需要对输出进行合适的幅值归一化和尺寸调整。有时还需要利用cwtfilterbank对象在批量处理时提高效率。在深度学习部分，使用layerGraph构建组合网络结构时，需严格保证输入输出尺寸、通道数和序列长度的匹配，特别是在卷积特征图与序列表达之间的维度调整环节，很容易因尺寸不一致导致运行错误。R2025b中对于某些可视化函数、colormap设置及统计绘图函数有细节约束，也需要在编程时注意避免不兼容调用。
工程部署方面，目标环境可能不是MATLAB开发环境，而是嵌入式控制器、工控机或云边协同平台。需要考虑模型转化与部署的可行性，例如利用MATLAB Coder生成C/C++代码，或者通过ONNX导出模型再在其他推理框架中运行。连续小波变换在实时应用中计算量较大，若在嵌入式硬件上运行，需要在采样频率、时间窗口长度和尺度数量之间做权衡，也可考虑针对特定设备预先固定部分参数，减少运行时计算负担。此外，现场数据存在传感器故障、数据中断、异常脉冲等问题，必须在数据预处理阶段增加异常数据检测与处理机制，避免异常输入导致网络输出不稳定。为提升工程可用性，还需要设计可视化界面和日志记录模块，让维护人员直观查看故障诊断结果、健康趋势与模型置信度。通过在MATLAB环境中提前构建这一整套流程并进行充分仿真与测试，可以为后续工程化部署提供可靠基础。
项目模型架构
连续小波变换时频特征提取模块
CWT‑CNN‑BiLSTM故障诊断架构的首个核心模块是连续小波变换时频特征提取。原始振动或电流信号往往为一维时间序列，但其包含的有效信息既有特定频带能量分布，又有随时间变化的瞬态模式，仅在时域或频域中观测都难以完整刻画其特性。连续小波变换通过与一组由母小波平移与尺度变换得到的小波函数进行卷积，实现对信号在多尺度、多时间位置上的局部分析，从而得到一组复数系数矩阵。每一个尺度对应一个频带，每一列对应一个时间位置，整个系数矩阵可以被视作一幅具有时间与频率两维的“图片”。在机械故障振动分析中，选取合适的母小波十分关键，一般常用Morlet、Morse或复杂高斯小波来分析冲击与调制特征，因为这些小波在时频平面上具有良好的局部聚集性质，能突出冲击事件及其谐波结构。
在本架构中，连续小波变换的作用不仅在于提供时频分布，更是将一维序列映射到二维特征空间，为后续卷积网络处理创造条件。在具体实现时，需要选定采样频率和分析频率范围，以覆盖主要故障特征频带，同时控制尺度数量以平衡分辨率和计算量。得到的CWT系数通常具有较大动态范围，需要通过对数幅值、z‑score标准化或min‑max归一化将不同样本的系数分布调整到相对统一的范围，以便卷积网络稳定训练。此外，考虑到模型后续还要进行时间序列建模，可以将长时间信号分割为若干统一长度的短片段，对每个片段分别进行小波变换，得到一系列等尺寸的时频图帧，为后续的时序建模提供输入序列。整个小波变换模块与真实物理过程紧密对应，保留了非平稳特征和多尺度信息，是整个架构的基础。
卷积神经网络空间特征提取模块
在获得连续小波时频系数后，卷积神经网络负责从二维时频图中提取高层空间特征。每一幅时频图可以看作一张单通道灰度图，其中横轴为时间，纵轴为频率或尺度，像素值代表特定时间与尺度上的能量或振幅。卷积神经网络通过在局部区域内滑动卷积核，对时频图进行局部加权求和，捕捉局部能量聚集、边缘、纹理和条纹结构等模式。例如，局部频带在某一时间段的能量突然增强会形成一条在频率维度上较窄而在时间维度上较长的条纹，而周期性冲击可能表现为规律重复的条纹或斑块。卷积层通过多个通道并行提取不同类型的局部模式，池化层则通过空间下采样进一步降低特征図尺寸，聚焦于更稳定、尺度更大的结构特征，减少计算负担和过拟合风险。
在架构设计上，一般使用若干组由卷积层、批归一化层和激活函数层组成的基本块，逐层提升特征抽象程度。底层卷积更多关注局部边缘与纹理，中层卷积开始整合多个邻域信息，学习复杂频带组合与能量分布模式，高层卷积则提取更接近故障类型的判别特征。在连续小波时频图中，卷积网络不仅能识别单一频带的变化，还可以学习到多频耦合、谐波簇和侧带结构等复杂模式，对于齿轮啮合故障、轴承滚动体局部剥落等具有明显调制特征的故障尤为有效。通过卷积神经网络，原本维度较高且直观解读困难的时频系数被压缩和编码成一组紧凑的高维特征向量，为后续双向长短期记忆网络的时序建模提供高质量的空间特征基础。
双向长短期记忆序列建模模块
机械故障的演化过程往往具有显著的时间相关性，某些特征只有结合前后多个时间片段的整体变化才能被准确识别。双向长短期记忆网络通过在时间正向和反向两个方向上对特征序列进行建模，使每一个时间步的输出都同时考虑历史信息与未来信息，从而更加充分地利用时序上下文。在本架构中，为每个时间片段的时频图通过卷积网络提取出一个高维特征向量，多个连续时间片段形成一条特征向量序列，随后输入双向长短期记忆网络。该网络内部由若干记忆单元组成，每个单元通过输入门、遗忘门和输出门机制控制信息流的保留与丢弃，有效缓解一般循环神经网络在长序列训练中容易出现的梯度消失问题。
双向结构特别适合故障诊断中需要结合全局时间窗口进行决策的场景。例如，在转速缓慢变化的环境下，某一时间片段中的特征频率位置可能与前后的片段有所差异，单独观察这一片段容易误判，而双向长短期记忆网络会综合前后多个片段的整体变化趋势，形成更可靠的内部表示。此外，当存在短暂的冲击噪声或瞬态干扰时，这些异常片段在整体序列中往往不具备持续性，通过序列建模可以识别并抑制这种孤立异常带来的干扰。网络输出层可以采用序列到单值的结构，即整条序列最终对应一个故障类别标签，也可以采用序列到序列的结构，为每个时间片段输出瞬时健康状态，本项目主要以整体故障类型识别为目标，采用在序列末尾汇聚信息并映射到类别空间的方式。
分类与输出层设计模块
在完成卷积与双向长短期记忆网络特征提取后，模型需要通过分类与输出层将高维特征映射为具体的故障类别标签。常用做法是在双向长短期记忆网络输出之后添加全连接层，将特征维度压缩到与故障类别数量相同的维度，再通过Softmax激活函数将输出转换为类别概率分布。训练过程中采用交叉熵损失函数度量模型输出与真实标签之间的差异，通过反向传播不断更新网络参数，使得模型在训练数据上逐步提高分类正确率。在MATLAB中，使用classificationLayer作为输出层，可以自动处理类别编码和损失计算，简化实现。
输出层设计时需要考虑类间不平衡和误分类代价差异等现实因素。如果某些故障类型样本较少，而误判其为正常或轻微故障的风险较大，可以通过在训练时设置类别权重，或在损失函数中引入代价权重，使网络在学习过程中更加重视这些关键类别。此外，在模型调试阶段，通过观察混淆矩阵可以了解哪些类别之间容易混淆，进而分析是由于特征不充分、样本不足还是标签划分不合理导致，从而指导前端特征提取或数据采集环节的改进。最终模型输出可以不仅包括故障类别，还可以给出每个类别的置信度，对现场运维人员而言，高置信度的诊断结论可直接作为维护决策依据，而低置信度的情况则提示需要进一步人工复核或增加数据采集。
整体架构数据流与训练流程
整个CWT‑CNN‑BiLSTM架构在数据流和训练流程上形成完整闭环。首先，从工业设备的振动传感器或电流传感器采集到的原始时间序列信号，经过去趋势、滤波和分段等预处理操作，得到若干统一长度的信号片段。每个片段通过连续小波变换映射到统一尺寸的时频系数矩阵，并进行幅值归一化和格式调整，形成适合卷积网络输入的二维张量。如果需要进行序列建模，将相邻若干片段组成一条时频图序列，对应一个整体标签。随后，这些时频图或其序列交给卷积神经网络进行空间特征提取，输出为每个时间片段的高维特征向量。双向长短期记忆网络接收特征序列，对时间维度进行建模，输出包含全局时间上下文信息的表示，最终通过全连接层和Softmax层得到故障类别概率。
训练阶段，采用带标签的历史数据集，包括正常状态与多种典型故障状态，覆盖尽可能多的工况和负载组合。数据集被划分为训练集、验证集和测试集，通过迭代训练逐步优化模型参数。训练过程中，监控训练和验证损失、准确率以及混淆矩阵变化，以判断模型是否出现过拟合或欠拟合，并根据情况调整网络结构、优化参数和数据增强策略。在模型训练完成并在测试集上验证达到预期性能后，即可在MATLAB环境中进行部署前的仿真测试，包括对新采集数据的在线推理、延迟评估和鲁棒性评估。整体架构具有清晰的模块边界，便于在不同阶段进行独立优化，也方便后续替换某一模块，例如更换母小波类型、更改卷积网络深度或调整双向长短期记忆网络结构，以适应新的设备和工况需求。
项目模型描述及代码示例
clear; clc; close all; % 清空工作区变量、命令行窗口和图窗，确保后续运行环境干净 signals = double(signals); % 将信号转换为double类型，避免后续运算中出现类型不统一的问题 numSamples = size(signals,1); % 获取样本数量，假定每行代表一个信号片段 labels = categorical(labels); % 将标签转换为分类类型，便于后续与classificationLayer兼容 meanSignal = mean(signals,2); % 按行计算每个样本的均值，用于去除直流分量 stdSignal = std(signals,0,2) + 1e-8; % 计算每个样本的标准差并加上微小值防止除零 signals = signals ./ stdSignal; % 对每个样本进行标准化，将幅值缩放到单位方差，提高训练稳定性 t = (0:signalLength-1)/fs; % 构造时间轴向量，用于后续可视化与调试 figure; plot(t,signals(idxPlot,:)); % 绘制选定样本的归一化后时域波形 xlabel('Time / s'); ylabel('Normalized Amplitude'); % 标注时间和归一化幅值坐标轴 title('Sample Vibration Signal After Normalization'); % 添加图形标题说明当前波形为预处理后的信号 'VoicesPerOctave',12,... % 设置每倍频程的音阶数，控制频率分辨率 'Wavelet','morse'); % 选择Morse小波作为母小波，适合分析冲击和调制特征 [wtSample,frequencies] = cwt(signals(idxPlot,:),fs,'Wavelet','morse'); % 对示例样本进行连续小波变换获取系数和频率向量 figure; imagesc(t,frequencies,abs(wtSample)); % 将小波系数幅值以图像方式显示，横轴时间纵轴频率 title('CWT Time-Frequency Representation of Sample'); % 标题说明当前图像为连续小波时频表示 numScales = size(wtSample,1); % 获取小波系数的尺度或频率分辨数目 numImages = numSamples; % 设定时频图数量为样本数，每个样本对应一幅时频图 tfHeight = numScales; % 时频图高度由尺度数决定，对应频率维度像素数 tfImages = zeros(tfHeight,tfWidth,1,numImages,'single'); % 预分配四维数组存放所有样本的单通道时频图以提高效率 [cfs,~] = cwt(signals(k,:),fs,'Wavelet','morse'); % 对第k个样本进行连续小波变换获取系数矩阵 tfAbs = abs(cfs); % 取系数的幅值用于表示能量分布，忽略相位信息以简化特征 tfNorm = (tfLog - min(tfLog(:))) / (max(tfLog(:)) - min(tfLog(:)) + 1e-8); % 将对数幅值归一化到0到1之间，缓解样本间尺度差异 tfImages(:,:,1,k) = single(tfNorm); % 将归一化后的时频图存入四维数组的对应位置并转换为single类型节省内存 数据集划分与datastore构建示例 numTrain = floor(0.7 * numSamples); % 将70%的样本用于训练集，提升模型学习能力 numVal = floor(0.15 * numSamples); % 将15%的样本用于验证集，用于监控训练过程中的泛化性能 numTest = numSamples - numTrain - numVal; % 剩余15%样本作为测试集用于最终性能评估 idxAll = randperm(numSamples); % 随机打乱样本索引避免顺序对数据划分产生偏差 idxVal = idxAll(numTrain+1:numTrain+numVal); % 紧接着取15%索引作为验证集索引 XTrain = tfImages(:,:,:,idxTrain); % 提取训练集对应的时频图数据 YTrain = labels(idxTrain); % 提取训练集对应的标签 XVal = tfImages(:,:,:,idxVal); % 提取验证集时频图数据 YVal = labels(idxVal); % 提取验证集标签 YTest = labels(idxTest); % 提取测试集标签 inputSize = [tfHeight tfWidth 1]; % 设置卷积网络输入图像尺寸，高度为尺度数宽度为采样点数通道数为1 trainLbls = arrayDatastore(YTrain); % 将训练集标签包装为数组数据存储对象便于同步读取 trainDs = combine(trainImds,trainLbls); % 将训练数据与标签数据存储组合在一起，形成二元输出datastore valImds = arrayDatastore(XVal,'IterationDimension',4); % 对验证集构造时频图数组数据存储对象 valLbls = arrayDatastore(YVal); % 对验证集构造标签数组数据存储对象 valDs = combine(valImds,valLbls); % 合并验证数据和标签形成验证datastore供训练过程验证使用 CNN BiLSTM网络结构定义示例 imageInputLayer = imageInputLayer(inputSize,'Normalization','none'); % 定义图像输入层指定输入尺寸并关闭内部归一化以避免重复标准化 conv1 = convolution2dLayer(3,16,'Padding','same'); % 第一层二维卷积核大小为3x3输出通道16并使用same填充保持尺寸 bn1 = batchNormalizationLayer; % 在卷积后添加批归一化层以加快收敛并稳定训练 relu1 = reluLayer; % 使用ReLU激活函数引入非线性提升特征表达能力 conv2 = convolution2dLayer(3,32,'Padding','same'); % 第二层二维卷积核大小仍为3x3输出通道32继续增加特征通道 bn2 = batchNormalizationLayer; % 第二个批归一化层用于稳定更高层特征分布 pool2 = maxPooling2dLayer(2,'Stride',2); % 第二个池化层进一步减小特征图尺寸提取更大感受野信息 conv3 = convolution2dLayer(3,64,'Padding','same'); % 第三层二维卷积核大小3x3输出通道64用于学习更复杂的特征模式 bn3 = batchNormalizationLayer; % 第三个批归一化层进一步稳定深层网络训练 relu3 = reluLayer; % 第三个ReLU层为更高层特征提供非线性扩展 pool3 = maxPooling2dLayer(2,'Stride',2); % 第三个池化层将空间尺寸再次减半减轻后续网络负担 featureDim = prod(floor(inputSize(1:2) ./ 8) * 64); % 根据三次池化后的空间尺寸与通道数粗略估算单帧特征长度 sequenceInputLayerSize = featureDim; % 定义序列输入层的特征维度与单帧卷积输出向量长度一致 classOut = classificationLayer; % 分类输出层计算交叉熵损失并提供训练标签对齐功能 lgraph = layerGraph; % 创建空的层图对象用于组合卷积部分与序列部分 lgraph = addLayers(lgraph,conv2); % 添加第二卷积层到层图 lgraph = addLayers(lgraph,bn2); % 添加第二批归一化层用于稳定中层特征 lgraph = addLayers(lgraph,relu2); % 添加第二ReLU层进行非线性映射 lgraph = addLayers(lgraph,conv3); % 添加第三卷积层获取高层特征 lgraph = addLayers(lgraph,bn3); % 添加第三批归一化层稳定深层训练 lgraph = addLayers(lgraph,relu3); % 添加第三ReLU层提升复杂非线性拟合能力 lgraph = addLayers(lgraph,flatten); % 添加扁平化层将多维特征图转成向量 seqInput = sequenceInputLayer(sequenceInputLayerSize); % 定义一个序列输入层用于接收按时间组织的特征向量序列 lgraph = addLayers(lgraph,bilstmLayerObj); % 添加双向长短期记忆层作为时序建模核心 lgraph = addLayers(lgraph,fc); % 添加全连接层将序列特征映射到类别空间 lgraph = addLayers(lgraph,softmaxL); % 添加Softmax层将线性输出压缩为概率分布 % 注意卷积输出到序列输入的具体连接与重排在完整项目中需通过自定义mini-batch函数或中间层转换实现，此处为结构示意 训练选项配置与网络训练示例 maxEpochs = 30; % 设置最大训练轮数为30保证模型有足够迭代次数学习特征 'MiniBatchSize',miniBatchSize,... % 指定用于训练的mini-batch大小 'MaxEpochs',maxEpochs,... % 指定训练的最大轮数控制训练时间和拟合程度 'InitialLearnRate',initialLearnRate,... % 指定初始学习率影响梯度更新步长 'Verbose',true,... % 打开详细训练信息输出方便观察收敛过程 netTrained = trainNetwork(trainDs,lgraph,options); % 使用组合的训练数据存储与层图及训练选项进行网络训练 模型测试与性能评估示例 figure; cm = confusionchart(YTest,YPredTest); % 绘制混淆矩阵图用于分析各类别识别情况 cm.Title = 'Confusion Matrix of CWT-CNN-BiLSTM Model'; % 为混淆矩阵图设置标题说明来源模型 cm.ColumnSummary = 'column-normalized'; % 设置按列归一化显示每一预测类别的来源分布 classAcc = diag(cm.NormalizedValues); % 读取对角线上的归一化值作为各类别识别准确率 disp(classAcc); % 输出各类别准确率向量便于进一步分析模型对不同故障类的适应性clear; clc; close all; % 清空工作区变量、命令行窗口和图窗，确保后续运行环境干净signals = double(signals); % 将信号转换为double类型，避免后续运算中出现类型不统一的问题numSamples = size(signals,1); % 获取样本数量，假定每行代表一个信号片段labels = categorical(labels); % 将标签转换为分类类型，便于后续与classificationLayer兼容meanSignal = mean(signals,2); % 按行计算每个样本的均值，用于去除直流分量stdSignal = std(signals,0,2) + 1e-8; % 计算每个样本的标准差并加上微小值防止除零signals = signals ./ stdSignal; % 对每个样本进行标准化，将幅值缩放到单位方差，提高训练稳定性t = (0:signalLength-1)/fs; % 构造时间轴向量，用于后续可视化与调试figure; plot(t,signals(idxPlot,:)); % 绘制选定样本的归一化后时域波形xlabel('Time / s'); ylabel('Normalized Amplitude'); % 标注时间和归一化幅值坐标轴title('Sample Vibration Signal After Normalization'); % 添加图形标题说明当前波形为预处理后的信号'VoicesPerOctave',12,... % 设置每倍频程的音阶数，控制频率分辨率'Wavelet','morse'); % 选择Morse小波作为母小波，适合分析冲击和调制特征[wtSample,frequencies] = cwt(signals(idxPlot,:),fs,'Wavelet','morse'); % 对示例样本进行连续小波变换获取系数和频率向量figure; imagesc(t,frequencies,abs(wtSample)); % 将小波系数幅值以图像方式显示，横轴时间纵轴频率title('CWT Time-Frequency Representation of Sample'); % 标题说明当前图像为连续小波时频表示numScales = size(wtSample,1); % 获取小波系数的尺度或频率分辨数目numImages = numSamples; % 设定时频图数量为样本数，每个样本对应一幅时频图tfHeight = numScales; % 时频图高度由尺度数决定，对应频率维度像素数tfImages = zeros(tfHeight,tfWidth,1,numImages,'single'); % 预分配四维数组存放所有样本的单通道时频图以提高效率[cfs,~] = cwt(signals(k,:),fs,'Wavelet','morse'); % 对第k个样本进行连续小波变换获取系数矩阵tfAbs = abs(cfs); % 取系数的幅值用于表示能量分布，忽略相位信息以简化特征tfNorm = (tfLog - min(tfLog(:))) / (max(tfLog(:)) - min(tfLog(:)) + 1e-8); % 将对数幅值归一化到0到1之间，缓解样本间尺度差异tfImages(:,:,1,k) = single(tfNorm); % 将归一化后的时频图存入四维数组的对应位置并转换为single类型节省内存数据集划分与datastore构建示例
numTrain = floor(0.7 * numSamples); % 将70%的样本用于训练集，提升模型学习能力numVal = floor(0.15 * numSamples); % 将15%的样本用于验证集，用于监控训练过程中的泛化性能numTest = numSamples - numTrain - numVal; % 剩余15%样本作为测试集用于最终性能评估idxAll = randperm(numSamples); % 随机打乱样本索引避免顺序对数据划分产生偏差idxVal = idxAll(numTrain+1:numTrain+numVal); % 紧接着取15%索引作为验证集索引XTrain = tfImages(:,:,:,idxTrain); % 提取训练集对应的时频图数据YTrain = labels(idxTrain); % 提取训练集对应的标签XVal = tfImages(:,:,:,idxVal); % 提取验证集时频图数据YVal = labels(idxVal); % 提取验证集标签YTest = labels(idxTest); % 提取测试集标签inputSize = [tfHeight tfWidth 1]; % 设置卷积网络输入图像尺寸，高度为尺度数宽度为采样点数通道数为1trainLbls = arrayDatastore(YTrain); % 将训练集标签包装为数组数据存储对象便于同步读取trainDs = combine(trainImds,trainLbls); % 将训练数据与标签数据存储组合在一起，形成二元输出datastorevalImds = arrayDatastore(XVal,'IterationDimension',4); % 对验证集构造时频图数组数据存储对象valLbls = arrayDatastore(YVal); % 对验证集构造标签数组数据存储对象valDs = combine(valImds,valLbls); % 合并验证数据和标签形成验证datastore供训练过程验证使用CNN‑BiLSTM网络结构定义示例
imageInputLayer = imageInputLayer(inputSize,'Normalization','none'); % 定义图像输入层指定输入尺寸并关闭内部归一化以避免重复标准化conv1 = convolution2dLayer(3,16,'Padding','same'); % 第一层二维卷积核大小为3x3输出通道16并使用same填充保持尺寸bn1 = batchNormalizationLayer; % 在卷积后添加批归一化层以加快收敛并稳定训练relu1 = reluLayer; % 使用ReLU激活函数引入非线性提升特征表达能力conv2 = convolution2dLayer(3,32,'Padding','same'); % 第二层二维卷积核大小仍为3x3输出通道32继续增加特征通道bn2 = batchNormalizationLayer; % 第二个批归一化层用于稳定更高层特征分布pool2 = maxPooling2dLayer(2,'Stride',2); % 第二个池化层进一步减小特征图尺寸提取更大感受野信息conv3 = convolution2dLayer(3,64,'Padding','same'); % 第三层二维卷积核大小3x3输出通道64用于学习更复杂的特征模式bn3 = batchNormalizationLayer; % 第三个批归一化层进一步稳定深层网络训练relu3 = reluLayer; % 第三个ReLU层为更高层特征提供非线性扩展pool3 = maxPooling2dLayer(2,'Stride',2); % 第三个池化层将空间尺寸再次减半减轻后续网络负担featureDim = prod(floor(inputSize(1:2) ./ 8) * 64); % 根据三次池化后的空间尺寸与通道数粗略估算单帧特征长度sequenceInputLayerSize = featureDim; % 定义序列输入层的特征维度与单帧卷积输出向量长度一致classOut = classificationLayer; % 分类输出层计算交叉熵损失并提供训练标签对齐功能lgraph = layerGraph; % 创建空的层图对象用于组合卷积部分与序列部分lgraph = addLayers(lgraph,conv2); % 添加第二卷积层到层图lgraph = addLayers(lgraph,bn2); % 添加第二批归一化层用于稳定中层特征lgraph = addLayers(lgraph,relu2); % 添加第二ReLU层进行非线性映射lgraph = addLayers(lgraph,conv3); % 添加第三卷积层获取高层特征lgraph = addLayers(lgraph,bn3); % 添加第三批归一化层稳定深层训练lgraph = addLayers(lgraph,relu3); % 添加第三ReLU层提升复杂非线性拟合能力lgraph = addLayers(lgraph,flatten); % 添加扁平化层将多维特征图转成向量seqInput = sequenceInputLayer(sequenceInputLayerSize); % 定义一个序列输入层用于接收按时间组织的特征向量序列lgraph = addLayers(lgraph,bilstmLayerObj); % 添加双向长短期记忆层作为时序建模核心lgraph = addLayers(lgraph,fc); % 添加全连接层将序列特征映射到类别空间lgraph = addLayers(lgraph,softmaxL); % 添加Softmax层将线性输出压缩为概率分布% 注意卷积输出到序列输入的具体连接与重排在完整项目中需通过自定义mini-batch函数或中间层转换实现，此处为结构示意训练选项配置与网络训练示例
maxEpochs = 30; % 设置最大训练轮数为30保证模型有足够迭代次数学习特征'MiniBatchSize',miniBatchSize,... % 指定用于训练的mini-batch大小'MaxEpochs',maxEpochs,... % 指定训练的最大轮数控制训练时间和拟合程度'InitialLearnRate',initialLearnRate,... % 指定初始学习率影响梯度更新步长'Verbose',true,... % 打开详细训练信息输出方便观察收敛过程netTrained = trainNetwork(trainDs,lgraph,options); % 使用组合的训练数据存储与层图及训练选项进行网络训练模型测试与性能评估示例
figure; cm = confusionchart(YTest,YPredTest); % 绘制混淆矩阵图用于分析各类别识别情况cm.Title = 'Confusion Matrix of CWT-CNN-BiLSTM Model'; % 为混淆矩阵图设置标题说明来源模型cm.ColumnSummary = 'column-normalized'; % 设置按列归一化显示每一预测类别的来源分布classAcc = diag(cm.NormalizedValues); % 读取对角线上的归一化值作为各类别识别准确率disp(classAcc); % 输出各类别准确率向量便于进一步分析模型对不同故障类的适应性
