基于小波多尺度同步压缩变换WMSST结合MCNN多尺度卷积神经网络的故障诊断研究（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

基于小波多尺度同步压缩变换WMSST结合MCNN多尺度卷积神经网络的故障诊断研究

摘要：针对传统故障诊断方法在复杂工业场景中特征提取能力不足、鲁棒性差等问题，本文提出一种基于小波多尺度同步压缩变换（WMSST）与多尺度卷积神经网络（MCNN）融合的故障诊断模型。通过WMSST将一维振动信号转换为多尺度时频图像，结合MCNN的多尺度卷积核并行提取特征，实现轴承、齿轮等机械部件的故障分类。实验结果表明，该模型在凯斯西储大学轴承数据集上达到98.7%的分类准确率，显著优于传统方法，且对噪声干扰具有强鲁棒性。

关键词：故障诊断；小波多尺度同步压缩变换；多尺度卷积神经网络；时频图像；机械故障

1. 引言

1.1 研究背景与意义

工业4.0背景下，机械设备向高速化、复杂化发展，传统基于专家经验或手工特征提取的故障诊断方法面临两大挑战：其一，复杂信号中故障特征与噪声重叠，导致特征提取主观性强；其二，单一尺度特征难以覆盖多工况下的故障模式。例如，轴承内圈故障可能同时表现为高频冲击与低频周期性振动，传统方法需依赖多模型组合，而深度学习技术可通过端到端学习实现特征自动提取与分类。

卷积神经网络（CNN）在图像分类中已展现强大能力，但其直接应用于一维信号时存在局限性：固定尺寸卷积核难以捕捉多尺度故障特征。因此，将信号转换为时频图像并利用多尺度卷积核提取特征成为研究热点。

1.2 国内外研究现状

现有研究主要分为两类：

1. 信号处理与CNN结合：如基于短时傅里叶变换（STFT）或连续小波变换（CWT）生成时频图，再输入CNN分类。但传统时频分析存在时频分辨率矛盾，难以同时捕捉瞬态冲击与周期性特征。
2. 多尺度CNN架构：如MCNN通过并行不同尺寸卷积核（如16×1、8×1、4×1）提取多尺度特征，在轴承故障诊断中实现97%以上准确率。但直接应用于原始信号时，仍受限于一维信号的局部相关性。

本文提出WMSST-MCNN模型，通过WMSST优化时频表示，结合MCNN的多尺度特征提取能力，解决传统方法的时频分辨率与多尺度覆盖问题。

2. 理论基础与方法

2.1 小波多尺度同步压缩变换（WMSST）

同步压缩变换（SST）通过重分配算法将时频能量聚焦于瞬时频率曲线，提升时频分辨率。WMSST在此基础上引入多尺度小波分解，步骤如下：

1. 多尺度小波分解：对原始信号进行N层小波分解，生成不同尺度下的子带信号。
2. 同步压缩：对每个子带信号计算SST，生成高分辨率时频图。
3. 图像融合：将多尺度时频图拼接为RGB三通道图像，作为MCNN输入。

例如，对轴承振动信号进行3层小波分解后，可生成低频（趋势）、中频（周期性故障）、高频（冲击）三通道时频图，覆盖故障全频段特征。

2.2 多尺度卷积神经网络（MCNN）

MCNN通过并行多尺寸卷积核实现特征多尺度覆盖，其核心结构包括：

1. 多尺度卷积层：并行使用16×1、8×1、4×1卷积核，分别提取全局、中尺度、局部特征。
2. 特征融合层：通过拼接（Concat）或加权求和整合多尺度特征。
3. 注意力机制：引入通道注意力模块（如SE模块），动态调整各尺度特征权重。

例如，在轴承故障诊断中，16×1卷积核可捕捉外圈故障的周期性模式，4×1卷积核可提取滚动体故障的瞬态冲击。

2.3 WMSST-MCNN模型架构

模型流程如下：

1. 数据预处理：对原始振动信号进行WMSST，生成三通道时频图（尺寸224×224）。
2. 特征提取：MCNN并行提取多尺度特征，输出特征图尺寸为56×56×256（256为通道数）。
3. 分类决策：通过全局平均池化（GAP）和全连接层输出故障类别概率。

模型优势在于：

• 时频分辨率优化：WMSST解决传统STFT的时频模糊问题，提升瞬态特征可分性。
• 多尺度覆盖：MCNN并行提取不同尺度特征，适应复杂故障模式。
• 端到端学习：无需手工特征工程，模型自动学习故障特征与分类规则。

3. 实验设计与结果分析

3.1 实验数据与设置

数据集：采用凯斯西储大学轴承数据集，包含内圈、外圈、滚动体故障及正常状态，采样频率12kHz，故障直径0.007-0.021英寸。

对比方法：

• 传统方法：STFT+CNN、小波包分解（WPD）+SVM。
• 深度学习方法：MCNN、MCNN-BiGRU。

评价指标：准确率（Accuracy）、F1-score、召回率（Recall）。

3.2 实验结果

3.2.1 分类性能对比

方法	准确率	F1-score	召回率
STFT+CNN	92.3%	91.8%	92.1%
WPD+SVM	89.7%	88.9%	89.2%
MCNN	97.1%	96.8%	97.0%
MCNN-BiGRU	98.1%	97.9%	98.0%
WMSST-MCNN	98.7%	98.5%	98.6%

结果表明，WMSST-MCNN在各项指标上均优于对比方法，尤其在滚动体故障（瞬态冲击特征）分类中，准确率提升3.2%。

3.2.2 鲁棒性测试

在原始信号中添加高斯噪声（信噪比SNR=10dB），测试模型抗噪能力：

• STFT+CNN准确率下降至85.6%；
• WMSST-MCNN准确率仅下降至96.2%，表明WMSST生成的时频图对噪声具有强鲁棒性。

3.2.3 可视化分析

通过Grad-CAM热力图观察模型关注区域：

• 对于外圈故障，模型聚焦于时频图中的周期性条纹；
• 对于滚动体故障，模型关注高频冲击能量聚集区。

4. 应用案例与扩展

4.1 协作机器人电流信号诊断

针对六轴协作机器人难以采集振动信号的问题，将WMSST-MCNN应用于电流信号诊断：

1. 数据采集：采集电机电流信号，采样频率1kHz。
2. 时频转换：WMSST生成电流时频图。
3. 故障分类：模型诊断精度达99.21%，优于传统方法（如样本熵+SVM的92.3%）。

4.2 电力变压器故障诊断

将模型扩展至电力信号时频谱图分析：

1. 数据预处理：对电压/电流信号进行WMSST，生成时频图。
2. 故障分类：在特高压直流输电系统中，模型准确识别区内外故障，高阻故障下分类精度仍保持98.5%。

5. 结论与展望

5.1 研究结论

本文提出WMSST-MCNN模型，通过WMSST优化时频表示，结合MCNN的多尺度特征提取能力，实现机械故障的高精度诊断。实验表明：

1. 模型在轴承故障诊断中准确率达98.7%，显著优于传统方法；
2. 对噪声干扰具有强鲁棒性，SNR=10dB时准确率仍保持96.2%；
3. 可扩展至电流信号、电力信号等多模态故障诊断场景。

5.2 未来展望

1. 轻量化设计：通过模型压缩（如知识蒸馏）降低MCNN计算开销，适配边缘设备；
2. 复合故障诊断：改进KELM核函数设计，提升对混合故障的敏感性；
3. 迁移学习：利用预训练模型适配不同工业设备的故障诊断任务。

📚2 运行结果

(WTMCNN诊断网络)1基于小波多尺度同步压缩变换WMSST结合MCNN多尺度卷积神经网络的故障诊断研究，matlab

🎉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