9基于WMSST结合MCNN-BiLSTM-Attention的故障诊断研究附matlab代码)
✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、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、WMSST介绍
小波多尺度同步压缩变换（Wavelet Multisynchrosqueezed Transform, WMSST）作为一种近年来在轴承故障诊断领域崭露头角的高精度时频分析方法，正发挥着日益重要的作用。该方法以连续小波变换（CWT）为基石，通过多尺度的同步压缩操作这一关键步骤，对小波系数在时频域内进行精细的能量重排与凝聚。这一创新操作有效攻克了传统小波变换时频分辨率不足这一长期存在的固有缺陷，为轴承故障诊断带来了新的突破。
在面对轴承故障引发的复杂非平稳振动信号时，WMSST展现出了卓越的性能优势。它能够精准且清晰地提取出由局部损伤（如点蚀、裂纹等）激发的瞬态冲击成分。不仅如此，它还能以极高的时频分辨率，精确刻画这些冲击的时间位置、持续区间以及对应的共振频率，进而形成能量高度集中的时频脊线。即便处于强噪声干扰或者变转速工况等复杂恶劣的环境下，WMSST依然能够发挥其强大的优势，有效增强微弱故障特征，抑制噪声干扰与能量扩散，显著提升故障成分的可辨识度。此外，WMSST还具备优秀的模态分解与重构能力，可以分离出包含故障信息的敏感频带，为后续的特征提取与智能诊断提供高质量、高保真的时频输入。正因如此，WMSST特别适用于复杂运行环境下轴承的早期微弱故障检测与故障模式精密诊断，已然成为现代故障预测与健康管理（PHM）系统中的一项有力工具。在本期内容中，将展示使用WMSST变换对凯斯西储大学轴承故障数据CWRU进行分析诊断的具体过程，相关结果如图所示。
1、版本及示范数据
本次研究使用的软件版本为matlab2024a及以上，实际代码运行采用的是24a版本。示范数据选取的是凯斯西储大学（CWRU）提供的10种轴承故障数据，这些数据涵盖了多种不同类型的轴承故障情况，为研究提供了丰富且具有代表性的样本，有助于全面深入地探索轴承故障诊断方法。
2、重磅发布，先用先发
现提出一种创新的改进多尺度卷积神经网络模型WT_MBiLAT，即“小波多尺度同步压缩变换(Wavelet Multisynchrosqueezed Transform, WMSST)+多尺度卷积神经网络（MCNN）+双向长短期记忆网络（BiLSTM）+注意力机制（Attention）”的轴承故障诊断方法。多尺度卷积神经网络MCNN作为CNN的变体，在特征提取能力方面比传统CNN更为强大，能够从复杂的数据中挖掘出更多有价值的特征信息，为轴承故障诊断提供更精准的依据。
3、当前网络模型
当前所采用的网络模型为WT_MBiLAT，即“WMSST - MCNN - BiLSTM - Attention”，这是一种将时频变换与改进多尺度深卷积神经网络相结合的创新模型。通过在知网查询截图可以发现，目前暂无人使用该模型，这意味着率先应用该模型进行研究将具有先发优势，有望在该领域取得新的突破和成果。
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，这种转换能够增强故障特征，使故障信息更加直观地呈现出来。在网络训练过程中，选用“交叉熵”损失函数作为训练的依据，通过合理划分训练集、验证集、测试集，在网络训练时利用验证集不断调整模型参数，降低损失，从而确保模型具有良好的泛化能力，避免过拟合现象的发生。此外，还采用T - SNE方法对网络识别前后的效果进行可视化展示，以便更直观地观察模型对故障特征的识别效果和性能提升情况。
⛳️ 运行结果
📣 部分代码
🔗 参考文献
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 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
