【Transformer分类】基于注意力机制卷积神经网络结合双向门控单元CNN-Transformer-BIGRU-SAM-Attention实现柴油机故障诊断附matlab代码-优快云博客

✅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

🍊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

基于 CNN-Transformer-BiGRU-SAM-Attention 的柴油机故障诊断模型，核心是通过多模块特征互补提取（CNN 局部特征、BiGRU 时序依赖、Transformer 全局关联）与双重注意力强化（Transformer 自注意力 + SAM 空间注意力），精准捕捉柴油机故障信号（如振动、声压信号）中的关键特征，最终实现对气门故障、活塞磨损、轴承失效等典型故障的高效分类。

该方案能解决单一模型（如纯 CNN、纯 BiGRU）对故障信号 “局部 - 时序 - 全局” 特征提取不全面的问题，在小样本或高噪声故障数据场景下，分类准确率显著优于传统方法。

一、核心基础：柴油机故障信号与模型设计逻辑

柴油机故障诊断的核心是 “从信号中挖掘故障特征”，需先明确信号特性与模型各模块的适配逻辑，确保每个模块都能针对性解决特征提取痛点。

1. 柴油机故障信号特性与预处理

柴油机故障通常通过振动信号、声压信号或油液信号体现，其中振动信号因采集便捷、故障信息丰富，应用最广泛。

信号特性
：故障信号是 “时域 - 频域耦合的非平稳信号”—— 例如轴承故障会导致振动信号在特定频率出现峰值（频域特征），且峰值随磨损加剧逐渐增强（时域时序特征），同时信号含大量背景噪声（需滤波去噪）。
关键预处理步骤
（为模型输入做准备）：
1. 去噪
  ：用小波滤波或经验模态分解（EMD）消除发动机背景噪声，保留故障相关信号；
2. 时频转换
  ：通过短时傅里叶变换（STFT）将一维时域振动信号转换为二维时频图（横轴为时间、纵轴为频率、颜色为幅值），适配 CNN 的二维特征提取能力；
3. 数据划分
  ：按 7:2:1 比例划分训练集、验证集、测试集，若故障样本不平衡（如某故障样本少），采用 SMOTE 过采样补充少数类样本。

2. 模型各模块的核心作用（互补性设计）

混合模型的每个模块均对应故障信号的一类特征，通过串联实现 “特征逐层提纯”：

模块	输入数据	核心作用	解决的痛点
CNN（卷积神经网络）	二维时频图	提取局部特征（如故障对应的频域峰值、时域脉冲）	纯时序模型（如 BiGRU）无法捕捉局部频域细节
BiGRU（双向门控单元）	CNN 输出的特征序列	捕捉时序依赖（如故障特征随时间的变化趋势）	CNN 无法建模信号的前后时间关联（如故障恶化过程）
Transformer 编码器	BiGRU 输出的时序特征向量	建立全局特征关联（如不同频率段故障特征的协同关系）	BiGRU 对长序列全局依赖的捕捉能力弱
SAM（空间注意力模块）	Transformer 输出的特征图	强化关键空间特征区域（抑制噪声特征，聚焦故障核心特征）	Transformer 可能关注无关噪声特征，降低分类精度
分类头（全连接层）	SAM 输出的注意力加权特征	输出各类故障的概率（如气门故障、活塞故障等）	将高维特征映射到故障类别空间