【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-GRU-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

一、研究背景与意义

柴油机作为船舶、工程机械、发电设备的核心动力装置，其运行状态直接影响设备的可靠性和安全性。传统故障诊断方法依赖人工经验或单一特征提取（如频谱分析），难以应对复杂工况下的多故障类型识别。随着深度学习的发展，结合注意力机制、卷积神经网络（CNN）、门控循环单元（GRU）和 Transformer 的混合模型，成为处理时序信号（如振动、声学信号）的有效手段，能够同时捕捉局部特征、时序依赖和全局关联，显著提升故障诊断的准确率和鲁棒性。

二、核心技术原理

1. 模块功能与协同逻辑

本方案以 “局部特征提取→时序依赖建模→全局关联捕捉→关键特征增强” 为核心流程，各模块功能如下：

模块	核心功能
CNN（卷积神经网络）	提取信号的局部特征（如振动信号中的冲击成分、频率谐波），通过卷积核滑动实现空间 / 频域特征捕捉。
GRU（门控循环单元）	处理时序数据的长短期依赖关系（如故障发展过程中的信号变化趋势），通过重置门和更新门控制信息流动。
Transformer	利用自注意力机制捕捉全局特征关联（如不同部件故障信号的耦合关系），解决 GRU 在长序列中依赖传递衰减的问题。
SAM（空间注意力模块）	增强关键特征区域的权重（如故障特征对应的频带或时间片段），抑制噪声和冗余信息干扰。

2. 模型架构设计

（1）输入层与预处理

输入信号：柴油机运行时的振动信号（通过加速度传感器采集，采样频率 10kHz）或声学信号（麦克风采集）。
预处理步骤：
1. 去噪：采用小波阈值去噪消除环境噪声。
2. 特征转换：通过短时傅里叶变换（STFT）将一维时序信号转换为二维时频图（频谱图），保留时间和频率维度信息。
3. 归一化：对时频图进行 min-max 归一化，提升模型收敛速度。

（2）核心特征提取网络

CNN 特征提取层：
- 采用 3 层卷积 + 池化结构，卷积核大小为 3×3，激活函数为 ReLU，池化层采用最大池化（2×2），输出特征图尺寸逐步缩小，通道数逐步增加（如 64→128→256）。
- 作用：提取时频图中的局部故障特征（如特定频率的峰值、冲击信号的能量集中区域）。
SAM 空间注意力模块：
- 结构：对 CNN 输出的特征图进行全局平均池化和全局最大池化，拼接后通过 1×1 卷积压缩通道数，再经 Sigmoid 激活生成注意力权重图，与原特征图相乘实现特征增强。
- 作用：聚焦故障相关的关键区域（如轴承故障对应的高频冲击区域），抑制无关噪声。
GRU 时序建模层：
- 将 SAM 输出的特征图展平为一维序列（按时间维度排列），输入 2 层 GRU 网络（隐藏层维度 256），输出时序特征向量。
- 作用：捕捉故障信号随时间的演化规律（如磨损故障从轻微到严重的信号变化）。
Transformer 全局关联层：
- 对 GRU 输出的时序特征向量添加位置编码，输入 Transformer 编码器（4 层，多头注意力头数 8），通过自注意力机制计算特征间的全局关联。
- 作用：挖掘不同时间步特征的依赖关系（如多个部件故障的耦合影响），提升模型对复杂故障的识别能力。