✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
0、DWVD简介：DWVD，全称为离散韦格纳分布（Discrete Wigner-Ville Distribution），是轴承故障诊断领域中一种先进的时频分析方法，它基于信号能量分布特性。该方法通过计算信号自身的时频相干性，生成一张能量高度集中的时频分布图。对于轴承局部损伤（如点蚀、裂纹等）引发的瞬态冲击响应，DWVD展现出卓越的性能：它不仅能以极高的时频分辨率精确捕捉每个故障冲击的发生时刻和持续时间，还能清晰呈现冲击能量集中的共振频带及其调制边带结构，在时频面上形成连续且尖锐的时频脊线。这种出色的时频凝聚特性使DWVD对微弱故障极为敏感，能有效凸显被强噪声掩盖的早期故障特征。此外，得益于其无窗设计，DWVD避免了短时傅里叶变换中时间分辨率与频率分辨率的权衡问题，提供了更真实、细致的信号能量演化视图。这些优势使DWVD非常适合在复杂工况下进行轴承故障的精密诊断，不仅能有效识别外圈、内圈、滚动体等部件的特征故障频率，还能深入揭示调制现象中的频率成分及冲击信号的传播特性，为故障类型的判定、损伤程度的评估以及故障演化趋势的预测提供丰富、可靠的时频特征依据。本期展示的是运用DWVD变换对凯斯西储大学轴承故障数据（CWRU）进行分析诊断的案例，如图所示。
1、版本及示范数据说明：使用MATLAB 2024a及以上版本（本代码采用24a版本）；示范数据为凯斯西储大学（CWRU）提供的10种轴承故障数据。
2、重磅发布，抢先体验：提出一种创新的轴承故障诊断方法——改进多尺度卷积神经网络模型DVMCNN，即DWVD-MCNN（结合时频变换与改进多尺度卷积网络，当前发文热点）。该方法融合了“离散韦格纳分布（DWVD）”与“多尺度卷积神经网络（MCNN）”的优势，其中MCNN作为CNN的变体，具备更强大的特征提取能力。
3、当前网络模型介绍：DVMCNN，即DWVD-MCNN，是一种结合时频变换与改进多尺度深卷积神经网络的模型，详见知网查询截图，目前尚未有他人使用，抢先发布，抢占先机！
4、模型简介：该模型首先采用时频方法将数据序列转换为二维图像，以增强故障特征的可视性；选用“交叉熵”损失函数作为网络训练的依据，并合理划分训练集、验证集和测试集。在网络训练过程中，利用验证集不断优化损失，确保模型的泛化能力不受影响；同时，采用T-SNE方法可视化网络识别前后的效果，便于直观评估模型性能。
⛳️ 运行结果
📣 部分代码
num_class = length(unique(res(:, end))); % 类别数（Excel最后一列放类别）
num_dim = size(res, 2) - 1; % 特征维度
num_res = size(res, 1); % 样本数（每一行，是一个样本）
num_size = 0.7; % 训练集占数据集的比例
res = res(randperm(num_res), :); % 打乱数据集（不打乱数据时，注释该行）
flag_conusion = 1; % 标志位为1，打开混淆矩阵（要求2018版本及以上）
%% 设置变量存储数据
P_train = []; P_test = [];
T_train = []; T_test = [];
%% 划分数据集
for i = 1 : num_class
mid_res = res((res(:, end) == i), :); % 循环取出不同类别的样本
mid_size = size(mid_res, 1); % 得到不同类别样本个数
mid_tiran = round(num_size * mid_size); % 得到该类别的训练样本个数
P_train = [P_train; mid_res(1: mid_tiran, 1: end - 1)]; % 训练集输入
T_train = [T_train; mid_res(1: mid_tiran, end)]; % 训练集输出
P_test = [P_test; mid_res(mid_tiran + 1: end, 1: end - 1)]; % 测试集输入
T_test = [T_test; mid_res(mid_tiran + 1: end, end)]; % 测试集输出
end
%% 数据转置
P_train = P_train'; P_test = P_test';
T_train = T_train'; T_test = T_test';
%% 得到训练集和测试样本个数
M = size(P_train, 2);
N = size(P_test , 2);
%% 数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);
t_train = categorical(T_train)';
t_test = categorical(T_test )';
%% 数据平铺
% 将数据平铺成1维数据只是一种处理方式
% 也可以平铺成2维数据，以及3维数据，需要修改对应模型结构
% 但是应该始终和输入层数据结构保持一致
p_train = double(reshape(P_train, num_dim, 1, 1, M));
p_test = double(reshape(P_test , num_dim, 1, 1, N));
%% 构造网络结构
layers = [
imageInputLayer([num_dim, 1, 1]) % 输入层
convolution2dLayer([2, 1], 16, 'Padding', 'same') % 卷积核大小为 2*1 生成16个卷积
batchNormalizationLayer % 批归一化层
reluLayer % relu 激活层
📣 部分代码
🔗 参考文献
🎈 部分理论引用网络文献，若有侵权联系博主删除
🏆团队擅长辅导定制多种毕业课题和科研领域
MATLAB仿真，助力毕业科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
