OCSSA-VMD-CNN-BILSTM轴承故障诊断：参数寻优与深度学习融合实战

做轴承故障诊断的朋友应该都有同感：模型结构再先进，只要前面信号预处理参数没定好，后面再怎么调都是事倍功半。我这边跑通了一套基于OCSSA-VMD-CNN-BILSTM的轴承故障诊断流程，核心思路是用融合鱼鹰和柯西变异的麻雀优化算法（OCSSA）自动确定VMD的模态数和惩罚因子，再对分解后的信号做CNN-BILSTM分类。这套组合在公开轴承数据集上实测下来的结果，比固定参数或者基础麻雀算法寻优都有明显提升，而且收敛速度和稳定性都可控。本文把这套流程从优化器原理、VMD寻优设计到Matlab落地细节完整拆一遍，适合想复现优化算法加深度学习组合的同行，也适合刚接触信号分解和故障诊断的研究生参考。

1. 为什么诊断流程一定要拆成“VMD分解+特征分类”三段

1.1 原始振动信号直接喂网络的三个痛点

很多人拿到轴承数据后的第一反应是直接切片、直接丢进CNN或者LSTM里训练。这样做不是完全不行，但问题很明显：轴承振动信号本质上是非平稳、强噪声背景下的调制信号，故障冲击往往很微弱，被工频、转频和随机噪声层层包裹。直接输入网络，模型学到的很大概率是噪声的统计特征和所在工况的“身份特征”，而不是故障本身的物理特征。

我最早做对比实验时，把原始信号切成固定长度直接喂CNN，测试集准确率能到90%上下，但换一个载荷工况再测，直接掉近十个点。后来把VMD加到前端，先把冲击成分从背景噪声里分离出来，再让网络去学，同样的网络结构在不同工况下的表现才稳定下来。这是第一个痛点——原始信号的信噪比和稳定度不够。

第二个痛点是样本效率。深度学习需要足够多的样本才能学得稳，而公开轴承数据集的样本量远不够“堆模型”。VMD分解之后，可以把每一类故障样本扩展成多通道重构样本，等于在特征层面对数据做了增强。第三个痛点则是可解释性，直接把原始波形交给黑箱模型，出了问题根本不知道模型在依赖什么；而分解结果可以单独看频谱、看包络，能验证故障特征频率是否被正确保留。这三点合起来，就是我坚持“先分解、再分类”的根本原因。

1.2 VMD的两个关键参数到底在控制什么

变分模态分解（VMD）的核心思想是把一个复杂信号分解成若干个带限固有模态函数（IMF），每个IMF围绕自己的中心频率振荡，带宽受约束。它比EMD（经验模态分解）更抗模态混叠，理论基础也更干净，但代价是有两个参数对分解效果影响非常大：模态数K和惩罚因子alpha。

K控制的是分解出多少个模态。K设小了，欠分解，故障冲击和噪声挤在同一个IMF里，包络特征被稀释；K设大了，过分解，会凭空裂出虚假模态，破坏IMF的物理意义，后端网络反而容易被无关通道干扰。alpha控制的是每个模态的带宽约束强度，alpha越大，IMF带宽越窄，对中心频率的锁定越严格；alpha过小时，各模态带宽过宽，大量频谱重叠，模态混叠又会出现。

这两个参数之间还互相耦合。K从3调到5，最优alpha可能完全不一样，人工网格搜索非常痛苦。我在实际调试中用的经验范围是K属于[2,15]，alpha属于[100,3000]，在这个范围内覆盖了大多数轴承故障信号的分解需求。超过这个范围后，K太大容易分解出高频噪声，alpha太大容易把冲击成分切碎，基本没有收益。

1.3 把人工调参变成“函数寻优”问题的整体思路

既然K和alpha是决定VMD效果的关键，那调参本质上就是一个二维优化问题。目标函数可以定义为“分解结果的好坏程度”，比如包络熵、谱熵、峭度指标等，优化算法在这个二维或者扩展多维空间里搜索最优参数组合。这样一来，人工拍脑袋的经验值就不再必需了，算法会自动根据信号本身的特征找到最合适的分解配置。

那为什么选麻雀优化算法做底子？因为它收敛速度快、需要手工设置的超参数少，很适合VMD这种“跑一次分解就要耗费一点时间”的场景。但基础麻雀算法有个绕不开的毛病——容易早熟，所有个体会快速聚到一个局部最优区域，后期几乎失去搜索能力。为了保住它的收敛速度，同时补上跳出局部最优的能力，我在框架里融入了鱼鹰算法的勘探策略和柯西变异算子，形成了OCSSA。这个名字听着复杂，实际实现起来并不难，但每个组件的角色必须想清楚：麻雀保速度，鱼鹰保勘探，柯西保跳出，三者各管一段。

2. OCSSA优化器内部构造：鱼鹰勘探、柯西变异和麻雀框架的融合逻辑

2.1 麻雀算法跑得快，但容易陷在局部

标准麻雀搜索算法（SSA）把种群分成发现者、加入者和警戒者三类。发现者适应度最高，负责大范围搜索并指引种群移动；加入者跟随发现者，同时有机会争夺发现者身份；警戒者占少数，一旦感知到危险就重新随机定位。这种分工方式让麻雀算法迭代前期下降非常快，几乎前二十轮就能逼近一个不错区域。

问题在于，到了中后期种群里的个体全部挤向当前最优解，位置差异越来越小，多样性急剧下降。典型表现是收敛曲线在中后期完全变成一条平线，优于此前的解再也找不到。我在跑基础SSA寻优VMD参数时遇到过很多次：连续五次实验得到的最优K和alpha各不相同，但适应度几乎一样，这说明算法找到一个局部盆地就停在里面了。对于VMD寻优来说，这种不稳定性很致命，因为不同参数可能对应完全不同的分解物理意义，对后端分类影响也更大。

所以我在设计OCSSA时保留了麻雀的三角色结构，但把“发现者的位置更新”和“全局最优解的扰动”两个环节替换和增强，让种群即使到了后期，依然保有一部分个体去探索新区域。

2.2 鱼鹰算法的全局勘探能力从哪来

鱼鹰优化算法（OOA）是模拟鱼鹰捕鱼行为的群智能算法，它的核心贡献在于两阶段更新：第一阶段是定位猎物并在猎物周围发动攻击，第二阶段是把猎物带到安全地点慢慢吃。我借用的是它的第一阶段更新公式：

X_new = X + r1 × (S − I × X)

其中S是随机选取的另一个个体位置，I随机取1或2，r1是[0,1]随机数。这个公式看起来很像差分进化里的变异算子，它让当前个体有机会朝任意一个随机个体方向大步移动，而不是只朝全局最优方向靠拢。随机指向意味着种群在每一轮都可能冒出几个跑到远处的新个体，相当于在大范围空间里撒网，这就是“勘探”的价值。

在OCSSA里，我把发现者子群的更新方式替换成鱼鹰阶段一的思路。为什么要用在发现者身上而不是加入者身上？因为发现者本来就承担全局勘探职责，让它们除了跟随自身经验之外，再随机学习其他个体的位置，既保留了麻雀的快速逼近，又额外加了一层随机探索。实际跑下来，这种“以麻雀分布为主干、鱼鹰勘探为辅助”的组合，比单独用其中任何一种算法都要稳。

2.3 柯西变异为什么是跳出局部最优的“重炮”

柯西变异是给全局最优解动“手术”。柯西分布的概率密度函数两端拖尾较厚，产生的随机数偶尔会很大，比如上百倍的尺度跳跃；而高斯分布的随机数绝大多数集中在均值附近，很难跳很远。因此用柯西分布去扰动当前最优解，一旦触发大尾值，解会直接弹到一个较远的位置，相当于把困在局部盆地里的种群“踢”出来。

OCSSA里的做法是：每一轮结束后，对当前全局最优解执行一次柯西扰动，公式为：

X_cauchy = X_best + tan(π × (rand − 0.5)) × scale

其中scale取(ub−lb)×0.05到0.1之间的值，这样扰动既可能非常小（几乎不动最优解），也可能非常大（跳到很远的区域）。扰动后计算适应度，只有变得更优才接受这个新解，否则保留原来的最优解。这种“贪婪接收”机制保证算法不会因为无效扰动而倒退，同时给了整个种群持续跳出局部最优的机会。

2.4 OCSSA单次迭代的算法骨架与核心代码

OCSSA的迭代逻辑并不复杂。先把种群按麻雀方式初始化，每一轮里：发现者用鱼鹰策略更新，加入者按照麻雀的跟随策略更新，警戒者按危险规避策略更新；然后对全部个体做边界约束和贪婪选择；最后对全局最优解做一次柯西变异，同样做边界约束和贪婪选择。这样一轮下来的计算量只比基础SSA多一点点，但勘探能力和跳出能力都大幅提升。

下面是单次迭代的核心Matlab代码示意，完整项目里应把适应度函数改成独立的文件或者函数句柄，避免每轮重复加载数据。

function [X, X_best, f_best] = OCSSA_Iteration(X, fX, dim, lb, ub, N, pNum, ST, T, iter) % 角色划分：前pNum个为发现者 [~, idx] = sort(fX); X_sorted = X(idx, :); fX_sorted = fX(idx); X_best = X_sorted(1, :); f_best = fX_sorted(1); X_worst = X_sorted(end, :); f_worst = fX_sorted(end); for i = 1 : N if i <= pNum % 发现者：结合鱼鹰勘探策略 r1 = rand; S = X(randi([pNum + 1, N]), :); % 随机选取加入者 I = randi([1, 2]); if rand < ST X_new = X(i, :) + r1 .* (S - I .* X(i, :)); % 鱼鹰阶段一 else X_new = X(i, :) + randn(1, dim) .* (X(i, :) - X_best); end elseif i <= N - 2 % 加入者：向当前最优和随机个体靠拢 A = ones(1, dim); A(randi(dim, 1, 1)) = 0; X_new = X(i, :) + rand .* (X_best - X(i, :)) + rand .* (A ./ (A + eps)); if rand > 0.8 X_new = X(i, :) + rand .* (X_worst - X(i, :)); end else % 警戒者 beta = randn; if fX(i) > f_best X_new = X_best + beta .* abs(X(i, :) - X_best); else X_new = X(i, :) + rand .* (X_worst - X(i, :)) ./ ((fX(i) - f_worst) / (fX(i) - f_best + eps) + eps); end end % 边界约束与贪婪选择 X_new = max(min(X_new, ub), lb); f_new = OCSSA_Fitness(X_new); if f_new < fX(i) X(i, :) = X_new; fX(i) = f_new; end end % 柯西变异扰动全局最优 cauchy_noise = tan(pi * (rand(1, dim) - 0.5)); X_cauchy = X_best + cauchy_noise .* (ub - lb) .* 0.08; X_cauchy = max(min(X_cauchy, ub), lb); f_cauchy = OCSSA_Fitness(X_cauchy); if f_cauchy < f_best X_best = X_cauchy; f_best = f_cauchy; end end

这里的OCSSA_Fitness就是VMD分解加包络熵计算的目标函数，后面会详细展开。需要注意，边界约束后的个体可能连续几代都不变，这在群智能算法里是正常的，不用强加随机扰动去“激活”。

3. 以包络熵为目标函数的VMD参数寻优落地细节

3.1 为什么拿包络熵当适应度函数

包络熵的定义是对信号做希尔伯特变换得到包络信号，归一化后按照信息熵公式计算。它的物理含义很直观：如果信号里存在周期性冲击，包络波形会呈现一串稀疏尖峰，信息集中在一小段时间里，熵值就低；如果只有随机噪声，包络形状平坦杂乱，信息分散，熵值就高。因此VMD分解目标可以定成“让某个IMF的包络熵最小”，找到的K和alpha应当让故障冲击成分尽可能干净地独立出来。

实际操作中我有两种选择：一种是对每个IMF单独算包络熵，取所有IMF的最小值作为适应度；另一种是取平均包络熵。两种我都跑过，最小包络熵更适合“挑出最清晰故障模态”的场景，但偶尔会选中一个窄带噪声模态；平均包络熵更平滑，却容易把真正强烈的冲击成分稀释。后来我采用折中方案——取最小包络熵为主指标，同时记录最优IMF的中心频率，若中心频率落在轴承故障特征频率附近，则认为这次分解合理。这个辅助判断不参与优化迭代，只是用于后期人工核对。

适应度计算的核心Matlab代码大概长这样：

function [fitness, imf_best] = OCSSA_Fitness(X, signal) K = round(X(1)); alpha = X(2); [imf, ~] = vmd(signal, 'NumIMFs', K, 'PenaltyFactor', alpha, ... 'InitializeMethod', 1, 'ConvergenceTolerance', 1e-7); env = abs(hilbert(imf)); p = env ./ sum(env, 2); ent = -sum(p .* log(p + eps), 2); [fitness, idx] = min(ent); imf_best = imf(idx, :); end

注意这里K先取整再传给vmd，alpha是连续值。优化算法在离散整数的K上做连续扰动，本身是有一定“跳变”的，但因为麻雀和鱼鹰的更新公式都会产生较大的位置变化，round之后并不会完全卡死搜索，实际寻优没有问题。

3.2 个体编码、边界约束与适应度计算

种群里的每个个体是一个二维向量[K, alpha]。初始生成时，K在[2,15]之间随机取整，alpha在[100,3000]之间连续随机。每次更新之后都要做同一套边界处理：K小于2就拉回2，大于15就拉回15；alpha超出范围也裁剪。这里有一个细节：裁剪会让很多个体堆在边界，尤其是alpha很容易撞到3000的上限。遇到这种情况，我会把alpha的搜索范围适当放宽到[100,5000]，让边界不是那么容易触碰。

信号长度对适应度计算影响很大。VMD的复杂度随信号长度上升，如果把整段振动信号直接喂进去，每次适应度评估都要几十秒，整个寻优过程就太慢了。我在实验里取的是故障比较明显的代表性片段，每段2048个采样点。以12kHz采样率计算，2048点大概覆盖0.17秒信号，足够包含多个故障特征周期。片段太短（比如512点）会导致分解不稳定，太长则计算量失控，2048到4096是一个不错的区间。

运行参数方面，种群规模N设为30，最大迭代次数T设为100。这样理论上要做3000次VMD分解，在普通台式机上需要几分钟到十几分钟。如果每轮适应度计算超过2秒，建议先缩短信号长度，而不是减少迭代次数。收敛曲线出来后，前期快速下降、中后期偶发小幅度跳变下降，是OCSSA的正常形态。

3.3 收敛曲线与最优参数验证

我用基础SSA和OCSSA在同一段轴承信号上做过对比寻优，同一目标函数、同一信号段。基础SSA往往在20轮左右就停滞了，最终拟合出的包络熵维持在某个数值不再下降；OCSSA前20轮下降速度不比SSA慢，但在30轮、50轮甚至70轮时偶尔会突然再降一截，这就是柯西变异触发大尾扰动后的结果。

寻优完成得到最优[K, alpha]之后，一定要做“二次验证”：用最优参数重新对信号做VMD，画出每个IMF的时域波形和频谱，确认故障特征频率处的谱线是否明显突出。这一步不能省，因为优化算法只保证目标函数最优，不保证物理意义正确。我遇到过包络熵确实很小，但最优IMF中心频率跑到一个和轴承故障无关的高频段的情况，这时候要把优化结果当作参考，再结合人工经验手动微调K或alpha。

4. CNN-BILSTM诊断模型的搭建与训练细节

4.1 CNN后面为什么要接BILSTM而不是纯LSTM

VMD分解把信号整理成相对干净的IMF之后，下一步是分类。CNN负责从IMF中提取局部形态特征，比如冲击尖峰的形状、幅值变化趋势；但轴承振动信号的故障脉冲并不是孤立的，前面有衰减振荡、后面有周期重复，这种前后文关系用单向LSTM只能从历史信息中推断，第二条方向的信息直接被丢掉了。BILSTM通过正向和反向两个隐层处理序列，能同时利用“这个冲击之前发生了什么”和“这个冲击之后会怎么衰减”，从特征利用角度比单向LSTM更完整。

我在实践中的体会是：信号进过VMD之后已经相对结构化，直接用BILSTM也能有不错的精度，但训练速度偏慢且容易在少量样本上过拟合。加了一层CNN前端之后，卷积可以在局部窗口内压缩信息、去掉微小毛刺，BILSTM面对的输入特征更干练，训练曲线稳定很多。所以CNN在这里不是用来提图像特征，而是做序列特征预提取器，先把维度降下来，再交给时序模型建模。

4.2 输入样本怎么构造：从分解结果到训练矩阵

输入数据有几种构造方式，我用的是其中最简单也最稳妥的一种：对每个训练样本做VMD分解，找到包络熵最小的那个IMF作为主分量，然后把这个主分量切成长度固定的片段，每个片段作为一个独立样本。比如每段256点，类别标签沿用原始样本的故障标签。这样100个原始样本可以切出几百个片段，数据量够模型吃饱。

如果你想尝试多通道输入，可以把前3个IMF都作为通道，每个样本是“序列长度×3”的矩阵，然后sequenceInputLayer(3)接入。多通道的好处是保留更多分解信息，但通道之间如果存在强相关，网络会浪费参数去学冗余关系。我对比过单通道和多通道版本，在这个任务上多通道没有带来明显提升，反而训练时间多了一半。特征本质上已经浓缩在最优IMF里了，通道多了边际收益不高。

需要特别注意的是归一化。我习惯先按训练集每个片段分别做z-score归一化，再存入训练矩阵；测试集要用训练集的均值方差来归一化，不能单独重新计算。否则相当于把测试集的统计信息透传给了模型，看起来精度很高，换新数据立刻打回原形。

4.3 网络结构与训练参数参考

这里给出一组我在Matlab里验证过的网络结构，可以直接复制到Deep Learning Toolbox里跑，维度需要根据输入序列长度做微调。

inputSize = 1; % 单通道序列 numClasses = 4; % 正常、内圈、外圈、滚动体 layers = [ sequenceInputLayer(inputSize) convolution1dLayer(3, 32, 'Padding', 'same') batchNormalizationLayer reluLayer maxPooling1dLayer(2, 'Stride', 2) convolution1dLayer(3, 64, 'Padding', 'same') batchNormalizationLayer reluLayer maxPooling1dLayer(2, 'Stride', 2) bilstmLayer(128, 'OutputMode', 'last') dropoutLayer(0.3) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer]; options = trainingOptions('adam', ... 'InitialLearnRate', 0.001, ... 'MaxEpochs', 60, ... 'MiniBatchSize', 64, ... 'Shuffle', 'every-epoch', ... 'ValidationFrequency', 10, ... 'Plots', 'training-progress', ... 'Verbose', false);

小卷积核3是我反复比较后选定的。轴承故障冲击在时间轴上属于局部短促事件，大卷积核反而会把相邻几个冲击混在一起，模糊了特征边界。两层小卷积核叠加就能有接近大卷积核的感受野，但参数量和局部敏感度都更好。BILSTM隐层单元设128，类别只有4个，用256以上基本就是浪费，还容易过拟合。

训练配置里，初始学习率0.001配合Adam是稳妥起点；如果训练曲线震荡，把学习率降到0.0005。MaxEpochs设60，配合early stopping更稳。Matlab里可以在trainingOptions里设'ValidationPatience'，或者在训练脚本里自己判断验证集loss连续多轮不降就中止。关键是不要把训练轮数拉太长，VMD分解出来的特征已经很显著了，模型学得很快，训练loss降到接近零之后继续跑只会记得训练集噪声。

4.4 数据划分和防过拟合的几个细节

数据划分是整个流程里最容易做错的一步。如果直接随机切段再把所有片段打乱划分训练测试，同一个原始样本的相邻片段极有可能同时出现在两个集合里，模型相当于见过“同场景的不同视角”，准确率会虚高。正确的做法是按原始样本划分：比如某一类样本的前80%原始记录进训练集，后20%进测试集，切段操作必须在划分之后再做。

类别不平衡也要处理。不同故障直径下的样本数是不一样的，小故障尺寸数据天然更少。我首先尝试过加权交叉熵，但效果不如“在训练时把少数类的片段多采样几次”来得直接。具体做法是统计每类的片段数量，按比例设置采样倍数，让每个batch里各类别数量接近。这个方法实现简单，对CNN-BILSTM这类模型效果也稳定。

另外一个防过拟合的细节是在CNN卷积层里加一点L2正则化或者小幅噪声扰动。Matlab里可以在fullyConnectedLayer里用'WeightL2Regularization'，也可以在数据侧给训练集加标准差0.01的高斯噪声。VMD已经强调了故障特征，这部分正则化可以很轻，重了就掩盖故障信号。

5. 实验对比设计与结果解读：融合策略到底带来了多少提升

5.1 对比实验和消融实验怎么设计

要回答“OCSSA到底比基础算法强在哪”，不能只看最终准确率，必须做对比实验和消融实验。我把对比实验固定为四组：固定参数VMD+CNN-BILSTM、SSA-VMD+CNN-BILSTM、CSSA（柯西+麻雀）VMD+CNN-BILSTM、OCSSA-VMD+CNN-BILSTM。保持后端网络结构、数据划分、训练参数完全一致，只改变VMD参数来源。

每组实验至少跑5次，取平均准确率，同时记录标准差。群智能算法本身有随机性，单次结果差异可能超过1%，只跑一次就下结论非常容易得出错误结论。实验里我还顺手记录了每次寻优得到的最优VMD参数，观察K和alpha的方差。OCSSA在多次运行中给出的最优K基本都在同一个值附近，alpha分布也相对集中，说明它找到的不是偶然的孤立点，而是一个稳定的优秀区域。

5.2 典型结果分析与解读

下表是我在典型实验设置下整理出的对比结果，具体数字会随数据划分和样本选择变化，但相对关系是稳定的。

固定参数94.2%并不是说固定参数不好，而是固定参数很难同时适配不同故障类型。SSA能到97.4%已经证明了“寻优VMD参数”的必要性。单独加柯西变异或者单独加鱼鹰勘探，都只比基础SSA高一点点，但两者叠加后涨到99%附近，说明它们解决的是搜索过程不同阶段的问题——鱼鹰负责前期勘探面更广，柯西负责后期从局部盆地跳出，组合起来才形成完整链条。

给一张混淆矩阵观察误判分布的话，误判大多集中在故障直径最小那一类和滚动体故障之间。物理上很好解释：小尺寸故障的冲击能量弱，包络特征不够突出；滚动体故障由于滚动体公转，故障冲击位置周期性变化，特征频率和调制方式更复杂。CNNL-BILSTM对这两类样本的区分度天然偏低，VMD做得再好也只是改善条件，不能完全抹平信号本身的难度差异。

5.3 这套方法的真实优势与局限

优势不用吹得天花乱坠：自动寻优让VMD参数不再依赖经验值，OCSSA收敛又快又稳，后端结构精度高，在公开轴承数据集这类相对干净的数据上能稳定达到99%左右。但它也有局限，我必须说清楚。

VMD分解本身就是计算密集操作，每次适应度评估要跑一次完整的变分迭代，整个OCSSA寻优过程在普通CPU上需要十几分钟到半小时不等。这个成本放在离线训练阶段完全能接受，但如果想在线实时诊断，让算法在设备上边采数据边寻优，基本不现实。另外，CNNL-BILSTM参数量不小，训练需要标签数据，模型解释性依然有限。

我的实际建议是：把OCSSA寻优看作一个离线建模工具，训练阶段一次性完成后，在线部署时直接使用训练好的固定VMD参数和固定网络权重。如果能接受这个定位，这套方法的价值就主要落在“帮你找到一组稳定可靠的预处理参数”以及“提供高精度分类结果”上，而不是替代轻量化在线诊断方案。

6. Matlab工程化实现中的几类坑与解决思路

6.1 工具箱版本和函数兼容性问题

整套流程依赖Signal Processing Toolbox里的vmd函数、Deep Learning Toolbox里的bilstmLayer和convolution1dLayer，以及Statistics and Machine Learning Toolbox里的随机数相关函数。Matlab版本建议R2021a及以上，尤其是convolution1dLayer配合sequenceInputLayer时，部分老版本的序列折叠实现有差异，会出现输入维度不匹配的报错。

一个非常容易踩的坑是vmd函数的输出顺序。同一对[K, alpha]输入，不同Matlab版本分解出的IMF排序规则可能有差异，直接按“第一个IMF”提取主分量会不稳定。我建议统一按包络熵排序选择主分量，而不是按输出顺序，这样能把版本差异的影响降到最低。

老版本还需要注意vmd函数的默认参数，特别是'ConvergenceTolerance'，有些版本默认收敛容差较大，分解效果不稳定。我在代码里显式设为1e-7，虽然是可选项，但固定下来有利于复现。

6.2 显存与速度的取舍

CNN-BILSTM训练时如果GPU显存不够，最常见的报错就是out of memory。我的处理顺序是：先把MiniBatchSize从64降到32或16，这一步影响最小；再把BILSTM隐层单元从128降到64；最后才考虑减少序列长度。很多初学者一上来就砍输入长度，结果特征不完整，准确率下滑，其实梯度下降阶段的内存瓶颈主要在batch和隐层单元数量上。

速度方面还有一个容易忽视的点：OCSSA寻优过程中每次适应度计算都在加载同样的信号数据，如果写成嵌套函数，Matlab每次调用都会重复复制变量，内存和CPU开销都大。正确做法是把信号数据定义成global或者用匿名函数句柄把信号作为常变量传入，让Matlab在迭代循环中复用它。我用这个改动把寻优时间缩短了将近三分之一。

6.3 随机种子、复现性和代码组织建议

优化算法和深度学习训练都有随机性，跑不同次出的结果可能完全不同。我习惯在脚本头部固定随机种子：

rng(42)

这样每次复现实验都能得到完全一致的初始种群和训练顺序。如果你要对比多种算法，务必让它们在同一个随机种子下初始化，否则连初始种群都不一样，对比就失去了控制变量意义。

代码组织上，我强烈建议按主脚本加功能函数的模式拆开：主脚本负责数据加载、参数设置和结果汇总；OCSSA寻优、VMD分解、样本切分、网络训练分别写成函数。寻优完成后马上把VMD分解结果保存成.mat文件，后续调试网络时直接load分解结果，不用重新跑一次VMD。这个习惯能在你反复调网络结构时节省大量时间，尤其是信号长、样本多的情况下。

6.4 一套可落地的脚本流程参考

这里给出一段简单的主流程骨架，具体实现可以按自己的数据格式调整：

% 1. 加载数据 load('bearing_dataset.mat'); % 信号signalAll，标签labelAll % 2. 划分原始样本 idxTrain = 1 : 80; idxTest = 81 : 100; signalTrain = signalAll(idxTrain, :); labelTrain = labelAll(idxTrain); signalTest = signalAll(idxTest, :); labelTest = labelAll(idxTest); % 3. 在训练信号上做OCSSA寻优 [bestX, ~, ~] = OCSSA_Run(signalTrain(1, :), 30, 100); % 4. 用最优参数对全部样本做VMD并切段 % 保存到 featuresTrain, featuresTest % 5. 训练CNN-BILSTM net = trainNetwork(featuresTrain, categorical(labelTrain), layers, options); % 6. 测试与指标输出 pred = classify(net, featuresTest); acc = mean(pred == categorical(labelTest));

把这个骨架跑通之后，再根据自己的数据格式调整切段方式、网络参数和对比组设计。整套流程最核心的难点不在某个单独函数，而在把VMD寻优和后端分类正确衔接——寻优用的信号段、分类用的信号切段、归一化方式，每一步都必须保持一致，否则训练和测试的条件对不上，结果再漂亮也说明不了问题。

最后再说说我的个人体会。跑完这一整套流程后，最大的感受是优化算法的名字引入再多，真正值钱的还是“把搜索策略和问题特征对应起来”。OCSSA的每一个组件都能在算法里找到明确角色，融合后的效果大于单一组件，但前提是先用消融实验分别验证每个组件的贡献，而不是一股脑全加进去。如果你时间有限，建议按这个顺序做：先跑通固定参数VMD加CNNL-BILSTM的基线，再加入基础SSA寻优看提升，最后才叠加鱼鹰和柯西变异。这样每一步的提升都看得见、讲得清，遇到问题也能精确定位出是哪一环出了问题。