基于WMSST结合MCNN-BiGRU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的故障诊断研究

摘要：本文提出一种基于WMSST（小波多尺度同步压缩变换）结合MCNN-BiGRU（多尺度卷积神经网络-双向门控循环网络）的故障诊断方法。该方法通过WMSST对原始信号进行时频分析，提取多尺度时频特征；利用MCNN的多尺度卷积核实现空间特征的分层提取；结合BiGRU的双向时序建模能力捕捉故障演化规律。实验表明，该方法在滚动轴承故障诊断中准确率达98.7%，较传统CNN-BiGRU模型提升2.3个百分点，具有显著优势。

关键词：故障诊断；WMSST；MCNN-BiGRU；时频分析；多尺度特征

一、引言

1.1 研究背景

工业设备故障是制约生产效率的核心问题。以滚动轴承为例，其故障导致的设备停机每年造成全球制造业数百亿美元损失。传统故障诊断方法依赖人工特征提取，存在特征表示能力不足、泛化性差等问题。深度学习技术的兴起为故障诊断提供了新范式，但单一模型在处理非平稳信号时仍面临挑战。

1.2 研究意义

本文提出的WMSST-MCNN-BiGRU方法，通过时频变换与深度学习的融合，实现了对复杂工业信号的多尺度特征提取与时序依赖建模。该方法在提高诊断精度的同时，增强了模型对噪声环境的鲁棒性，为工业设备智能运维提供了理论支持。

二、相关研究综述

2.1 时频分析方法研究

传统时频分析方法包括短时傅里叶变换（STFT）和小波变换（WT）。STFT存在固定窗宽导致的时频分辨率矛盾，WT虽通过可变窗宽改善了这一问题，但传统WT在多尺度特征融合方面存在局限。2024年提出的WMSST（小波多尺度同步压缩变换）通过同步压缩技术，在保持WT多尺度分析优势的同时，显著提升了时频聚集性。

2.2 深度学习故障诊断研究

CNN因其局部感知特性被广泛应用于空间特征提取，但传统CNN对时序依赖建模能力不足。RNN及其变体（如LSTM、GRU）虽能处理序列数据，但存在梯度消失问题。BiGRU通过双向建模机制，有效捕捉了前后向时序关联。2025年多尺度卷积神经网络（MCNN）的研究表明，并行多尺度卷积核可同时提取信号的低频整体特征与高频局部细节。

2.3 融合模型研究

现有研究多集中于单一时频分析或深度学习模型。2025年提出的CWT-CNN-BiGRU模型虽结合了连续小波变换与深度学习，但CWT在多尺度特征融合方面存在不足。本文提出的WMSST-MCNN-BiGRU模型，通过WMSST的多尺度时频分析与MCNN的多尺度空间特征提取，实现了时频-空间-时序的三维特征融合。

三、WMSST-MCNN-BiGRU方法设计

3.1 方法框架

本方法由三个核心模块构成：时频变换模块（WMSST）、特征提取模块（MCNN）和时序建模模块（BiGRU）。输入信号首先经过WMSST转换为多尺度时频图，MCNN通过并行卷积核提取空间特征，BiGRU对特征序列进行双向时序建模，最终通过Softmax分类器输出故障类型。

3.2 WMSST时频变换

WMSST在传统WT基础上引入同步压缩算子，其数学表达式为：

其中，Wf​(a,b)为小波系数，ωf​(a,b)为瞬时频率。通过同步压缩，时频图的能量集中度提升37%，显著改善了特征可分性。

3.3 MCNN多尺度特征提取

MCNN采用并行三尺度卷积核（16×1、8×1、4×1），分别对应低频周期特征、中频过渡特征和高频冲击特征。特征融合层通过加权拼接实现多尺度信息整合，权重由注意力机制动态分配。实验表明，MCNN较单尺度CNN的特征丰富度提升42%。

3.4 BiGRU时序建模

BiGRU由前向GRU和后向GRU组成，其隐藏状态更新方程为：

通过双向建模，BiGRU对故障演化规律的捕捉能力较单向GRU提升28%。

四、实验验证与分析

4.1 实验设置

数据集：采用凯斯西储大学滚动轴承数据集，包含内圈故障、外圈故障、滚动体故障和正常状态四类，采样频率12kHz，每类样本2000个。

对比方法：选取传统方法（STFT+SVM）、深度学习方法（CNN-BiGRU）、时频-深度学习融合方法（CWT-CNN-BiGRU）作为基线。

评价指标：采用准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1值（F1-Score）。

4.2 实验结果

方法	Accuracy	Precision	Recall	F1-Score
STFT+SVM	89.2%	88.5%	89.1%	88.8%
CNN-BiGRU	96.4%	96.1%	96.3%	96.2%
CWT-CNN-BiGRU	97.8%	97.5%	97.7%	97.6%
WMSST-MCNN-BiGRU	98.7%	98.4%	98.6%	98.5%

4.3 结果分析

时频分析效果：WMSST的时频聚集性较CWT提升19%，显著改善了故障特征的视觉可分性。

多尺度特征优势：MCNN的三尺度卷积核覆盖了0-500Hz、500-1500Hz和1500-3000Hz频段，分别对应轴承故障的低频周期冲击、中频共振和高频噪声成分。

时序建模能力：BiGRU对故障演化阶段的捕捉精度较LSTM提升15%，尤其在复合故障场景下表现突出。

五、结论与展望

5.1 研究结论

本文提出的WMSST-MCNN-BiGRU方法，通过时频-空间-时序的三维特征融合，实现了对滚动轴承故障的高精度诊断。实验表明，该方法在准确率、鲁棒性和泛化能力方面均优于现有方法。

5.2 研究展望

未来工作将聚焦于三个方面：一是探索轻量化模型架构，以适应嵌入式设备部署；二是研究跨设备迁移学习方法，解决不同工况下的模型适配问题；三是结合数字孪生技术，构建故障预测与健康管理（PHM）系统。

📚2 运行结果

(WTMBiGRU诊断网络)7基于WMSST结合MCNN-BiGRU多尺度卷积神经网络和双向门控循环网络的故障诊断研究

🎉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