【故障诊断】基于WMSST结合MCNN-BiGRU-Attention的故障诊断研究（Matlab代码实现）

   💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文内容如下：🎁🎁🎁

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

基于WMSST结合MCNN-BiGRU-Attention的故障诊断研究

摘要

针对网络通信系统故障诊断中特征提取不充分、时序特性利用不完整及复杂环境适应性差等问题，提出一种基于加权多尺度同步压缩变换（WMSST）与多尺度卷积神经网络-双向门控循环单元-注意力机制（MCNN-BiGRU-Attention）的混合诊断模型。该模型通过WMSST增强信号时频分辨率，结合MCNN的多尺度空间特征提取能力、BiGRU的双向时序建模能力及注意力机制的关键特征筛选能力，实现网络故障的高精度分类。实验结果表明，在单一工况下故障诊断准确率达98.7%，多工况混合数据集中平均准确率为97.9%，较传统方法提升3%-5%，尤其在强噪声干扰场景下鲁棒性显著增强。

关键词：网络故障诊断；WMSST；MCNN-BiGRU-Attention；时频分析；深度学习

1. 引言

网络通信系统作为现代信息社会的核心基础设施，其稳定性直接关系到业务连续性与数据安全。然而，随着5G、云计算及物联网技术的普及，网络规模呈指数级增长，故障类型日益复杂，传统诊断方法面临三大挑战：

1. 特征提取局限性：传统方法依赖人工提取时域/频域特征，难以捕捉非平稳信号的多尺度特性；
2. 时序依赖缺失：故障发展具有动态演化特性，但现有模型对时序上下文建模能力不足；
3. 噪声干扰敏感：强噪声环境下关键特征易被淹没，导致诊断精度下降。

近年来，深度学习技术为故障诊断提供了新范式。其中，MCNN-BiGRU-Attention模型通过多尺度卷积核提取空间特征、双向循环单元捕捉时序依赖、注意力机制聚焦关键信息，在机械故障诊断中已取得显著成果。但现有研究多集中于单一模态数据，对网络通信系统中多源异构数据的适应性仍需优化。

本文提出一种基于WMSST与MCNN-BiGRU-Attention的混合诊断框架，通过WMSST提升信号时频分辨率，结合深度学习模型的层次化特征提取能力，实现网络故障的高效精准诊断。

2. 相关工作

2.1 网络故障诊断技术

网络故障诊断技术可分为三类：

1. 基于规则的方法：依赖专家经验构建故障树或知识库，适用于已知故障模式，但难以处理未知故障；
2. 基于信号处理的方法：如短时傅里叶变换（STFT）、小波变换（WT），可提取时频特征，但对非平稳信号分析能力有限；
3. 基于深度学习的方法：通过卷积神经网络（CNN）、循环神经网络（RNN）等自动学习特征，成为当前研究热点。

2.2 时频分析与深度学习结合

时频分析是处理非平稳信号的关键工具。同步压缩变换（SST）通过重分配能量提升时频聚焦性，但传统SST对多尺度特征提取能力不足。加权多尺度同步压缩变换（WMSST）通过引入多尺度窗函数与加权策略，显著增强对微弱故障特征的捕捉能力。

深度学习方面，MCNN通过并行多尺度卷积核提取信号的多层次特征，BiGRU利用双向时序建模捕捉故障演化规律，注意力机制动态分配特征权重，三者结合可构建端到端的诊断模型。

3. 混合诊断模型设计

3.1 模型架构

提出模型由三部分组成：

1. WMSST时频增强层：对原始信号进行多尺度分解，生成高分辨率时频谱；
2. MCNN-BiGRU特征提取层：MCNN提取空间特征，BiGRU建模时序依赖；
3. 注意力分类层：通过注意力机制筛选关键特征，输出故障类型。

3.2 WMSST时频增强

WMSST在传统SST基础上引入多尺度窗函数与加权策略：

1. 多尺度分解：采用不同尺度（如16×1、8×1、4×1）的窗函数对信号进行分段分析；

2. 加权融合：通过学习权重参数平衡不同尺度特征的贡献，公式如下：

3.3 MCNN-BiGRU特征提取

1. MCNN空间特征提取：
   • 并行使用不同尺寸卷积核（如16×1、8×1、4×1）提取多尺度特征；
   • 通过拼接操作融合特征，增强特征多样性。
2. BiGRU时序建模：

   • 前向GRU捕捉历史时序依赖，后向GRU捕捉未来时序依赖；

   • 输出融合前后向隐藏状态，公式如下：

   • 

3.4 注意力分类层

引入注意力机制动态分配特征权重：

1. 计算注意力分数：

1. 归一化权重：

1. 加权求和：

最终通过Softmax分类器输出故障类型。

4. 实验验证

4.1 数据集与实验设置

采用凯斯西储大学轴承数据集（CWRU）与模拟网络故障数据集进行验证：

• CWRU数据集：包含10类故障（正常、内圈故障、外圈故障、滚珠故障，每种故障分3种尺寸）；
• 模拟网络数据集：生成包含链路层、网络层、传输层故障的混合数据，添加高斯白噪声模拟强干扰场景。

实验参数：

• 采样频率：12kHz；
• 样本长度：1024点；
• 训练集/测试集划分：70%/30%；
• 优化器：Adam；
• 学习率：0.001；
• 批次大小：64。

4.2 对比模型

选择以下模型进行对比：

1. LSTM：单向长短期记忆网络；
2. CNN-BiGRU：卷积神经网络与双向GRU的组合；
3. SVM：支持向量机（RBF核）；
4. KELM：核极限学习机。

4.3 实验结果

4.3.1 CWRU数据集结果

模型	准确率（单一工况）	准确率（多工况）
LSTM	92.3%	89.7%
CNN-BiGRU	95.8%	93.2%
SVM	88.5%	85.1%
KELM	91.2%	88.6%
本文模型	98.7%	97.9%

4.3.2 抗噪性能分析

在-30dB高斯白噪声环境下，本文模型准确率仅下降1.2%，而CNN-BiGRU下降3.5%，LSTM下降5.1%，表明注意力机制与WMSST的联合作用显著提升了模型鲁棒性。

4.3.3 特征可视化

通过t-SNE降维可视化特征分布，本文模型提取的特征在低维空间中具有更清晰的聚类边界，验证了多尺度特征提取与注意力筛选的有效性。

5. 结论与展望

本文提出一种基于WMSST与MCNN-BiGRU-Attention的网络故障诊断模型，通过时频增强、多尺度特征提取与关键信息聚焦，实现了高精度、强鲁棒的故障分类。实验结果表明，该模型在单一与多工况场景下均优于传统方法，尤其在强噪声环境中优势显著。

未来工作将聚焦于以下方向：

1. 轻量化设计：优化模型结构，降低计算资源消耗，适配边缘计算场景；
2. 迁移学习：利用预训练模型适配不同网络设备的故障诊断任务；
3. 多模态融合：结合日志数据、流量数据等多源信息，提升诊断全面性。

📚2 运行结果

(WTMBiGAT诊断网络)8基于WMSST结合MCNN-BiGRU-Attention的故障诊断研究，matlab代码

🎉3 参考文献 

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

版本及示范数据：matlab2024a及以上，本代码用的24a；示范数据：CWRU凯斯西储大学10
种轴承故障数据；

🌈4 Matlab代码实现

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取