当前位置：首页 > news >正文

多尺度卷积MCNN和它的一些组合体，MATLAB代码，几个小创新故障诊断模型，

news 2026/8/2 9:23:23

本期带来在故障诊断领域用的比较多的、且效果比较好的一个故障诊断模型---多尺度卷积神经网络MCNN(multi-scale convolutional neural network)

为了方便大家的学习，本期整理了MCNN相关的不同组合网络：

一次性获取上述模型，获取方式移步文章末尾。

MCNN: 多尺度卷积神经网络是CNN的变体, 拥有比CNN更加强大的特征提取能力。MCNN使用不同尺寸的卷积核对特征进行提取，这样做的好处是, 不同尺寸卷积核具有不同大小的感受野, 从而可以提取到低频率以及高频率的特征, 将这些特征叠加起来,以形成多尺度特征。使用多尺度的特征进行模型训练时, 结果往往要优于单一卷积神经网络。

本期搭建的网络结构如下，以MCNN-LSTM为例：

MATLAB中可以直接看到每层的网络单元的具体参数：

本期模型诊断思路如下：

①对官方下载的西储大学数据进行处理，划分10种故障类型；

②对第一步处理得到的数据，采用同步压缩小波变换(SWT)的方法进行特征提取，换将一维振动信号转换为二维图像。SWT具有多尺度分析的能力，可以在不同尺度上对信号进行分析，提供更全面的频率信息。

③采用第二步得到的二维图像进行裁剪压缩，送入MCNN网络以及它的组合网络进行训练与测试。

本期提供代码模型的几个优点：

采用了同步压缩感知方法将一维图转换为二维图，增强了故障特征；
选用了“交叉熵”损失函数作为网络训练的依据；
划分了训练集、验证集、测试集，在网络训练的时候采用验证集不断降低损失，从而不会影响模型的泛化能力；
采用了T-SNE降维方法，可视化神经网络识别前后的效果；
组合了几个常用的和新颖的网络：MCNN-BiGRU、MCNN-BiGRU-Attention、MCNN-BiLSTM、MCNN-GRU、MCNN -KELM、MCNN-LSTM、MCNN-SVM。

＜

内容详解

一、数据处理

对官方下载的西储大学数据进行处理，步骤如下：

一共加载10种数据，然后取每个数据的DE_time（%DE是驱动端数据 FE是风扇端数据 BA是加速度数据选择其中一个就行）
设置滑动窗口w，每个数据的故障样本点个数s，每个故障类型的样本量m
将所有的数据滑窗完毕之后，综合到一个data变量中
有关西储大学数据的处理之前有文章也讲过，大家可以看这篇文章：西储大学轴承诊断数据处理，matlab免费代码获取
最后得到的数据是一个2000*1024的矩阵，其中2000是样本量，1024是特征。2000又等于200*10，10是指10种故障状态，200是指每种状态有200个样本。在代码中是data_total_1797.mat

二、SWT特征提取

SWT变换结果：

三，结果展示

本期模型数据中，一共取了10种状态的数据，每种状态数据有200个样本。训练集:验证集:测试集比例为(12:3:5)，你也可以任意更改比例。

结果展示

首先是MCNN网络：

MCNN-BiGRU网络：

MCNN-KELM网络：

MCNN-SVM网络：

剩下几个就不一一展示啦，效果都是很不错滴！

代码目录：

MATLAB版本要求：2023及其以上。