简介一套基于连续小波变换CWT与卷积门控循环单元CNN-GRU融合的MATLAB故障诊断完整项目实例面向具备一定信号处理和深度学习基础的研究生、工程师及科研人员可用于旋转机械、风电机组、航空发动机等关键设备的智能状态监测与故障识别。资源以docx文档形式呈现共1个文件压缩包约132KB内容涵盖CWT时频图构建、CNN空间特征提取、GRU时序建模、多类故障分类的完整算法流程与代码详解并包含GUI交互界面设计、数据预处理、网络训练调优、模型评估与部署方案。文档目录结构清晰从项目背景、模型架构到数据构建、代码示例和应用领域逐步展开便于读者按章节实践。已有57人学习下载适合希望快速搭建CWT-CNN-GRU诊断框架、开展多工况迁移实验并提升工程落地能力的读者。1. 信号处理里的故障诊断为什么值得用 CWT-CNN-GRU 组合振动信号处理里的故障诊断任务越来越多团队把连续小波变换CWT和卷积门控循环单元CNN-GRU串成一条流水线CWT 把一维冲击信号展开成时频图CNN 提取纹理GRU 消化连续时频帧之间的时间依赖。这个思路在 MATLAB 里从数据准备到界面部署都能闭环但真正卡人的不是网络本身而是 CWT 参数怎么定、信号怎么切帧、GUI 怎么封装。这篇实现按「CWT 定参 → CNN-GRU 组网 → GUI 封装」的顺序把完整程序拆开讲代码可直接换数据集复现适合做设备状态监测的工程师和信号处理方向的研究生。2. 连续小波变换的参数选择母小波、尺度与 CWT 系数预处理信号处理里选时频工具很多人的第一反应是短时傅里叶变换。窗口长度一定低频段的频率分辨率和高频段的时间分辨率就互相打架。CWT 用一组可变宽度的基函数替代固定窗低频配宽窗频率分辨率高高频配窄窗时间定位准。对冲击类故障这种自适应特性正是需要的。雷达信号处理里常用的时频分析思路在机械故障诊断里同样适用。MATLAB 的cwt函数把变换压缩成一行调用但默认参数离「能喂给 CNN-GRU」还差三步选母小波、定尺度范围、把系数转成图像。2.1 cwt 的两种调用方式以及尺度到频率的换算% 方式一自动尺度f 直接是伪频率Hz [wt, f] cwt(signal, amor, fs); % 方式二自定义尺度向量便于复现和不同方法对比 scales 2.^(1:0.1:12); % 对数均匀铺开的尺度 [wt, f] cwt(signal, scales, morl, fs);方式一只传信号、母小波和采样率尺度由函数内部按信号长度自动铺满适合第一版跑通链路。方式二把尺度范围固定下来同一个模型换信号时结果可复现做对比实验也更规范。伪频率和尺度的关系是f fc * fs / scales其中 fc 是所选母小波的中心频率。要画尺度与频率的对照曲线用scal2frqf_axis scal2frq(scales, morl, fs); semilogy(f_axis, scales); % 横轴频率Hz纵轴尺度尺度范围决定时频图覆盖的频率区间。轴承诊断里转频和故障特征频率通常集中在 0.5~5 kHzscales 从 2^1 铺到 2^12 已经覆盖得比较宽如果只关心齿轮啮合频率附近的边频带把尺度上限调小图像在频率方向的利用率会更高。另一个容易忽略的点是 COI锥形影响区CWT 系数在时间轴两端是不可信的越靠边的点受边界截断影响越大滑窗切帧时尽量让冲击事件落在帧的中部。2.2 母小波选型先跑通 amor再按混淆矩阵换母小波特点故障诊断适用场合amor解析 Morlet时间与频率分辨率均衡默认起步先把整条链路跑通cmor3-3带宽和中心频率可调两个故障特征频率靠得近需要细调分辨率bump频带窄频率聚焦好谐波和边频带密集需要精细频率定位morse参数自由度最大大数据量下做最后的精度调优常见做法是用 amor 做首发它对多数轴承、齿轮箱数据不会出大问题。等模型训完看混淆矩阵里哪两类故障互相分不开再回头换母小波两个特征频率靠得近换 cmor3-3 并把带宽参数调小谐波成分密集换 bump 用窄带换更精细的频率定位。不建议第一轮就做母小波穷举参数搜索放在模型定型之后第 5 章会给出一个轻量筛选脚本。2.3 CWT 系数到 CNN 输入对数压缩、频带截取和伪彩色function img cwtToImage(signal, fs, waveletName, freqBand) % 输入一维信号返回 224×224×3 的 RGB 图像 [wt, f] cwt(signal, waveletName, fs); idx f freqBand(1) f freqBand(2); % 截取频带 wt wt(idx, :); spec 20 * log10(abs(wt) eps); % 对数压缩加 eps 防 log10(0) spec mat2gray(spec); % 归一化到 [0,1] img ind2rgb(imresize(spec, [224 224]), jet(256)); end这段做了三个关键动作。一是对数压缩CWT 系数动态范围常有几十 dB直接线性归一化会把弱故障的调制边带压成背景取幅值的对数才能让低幅值细节显形。二是频带截取转频和工频噪声对分类贡献小截断之后图像有效信息密度更高也变相降低了 CNN 要学的冗余模式。三是尺寸统一224×224 可以接预训练模型自己搭小网络也够用imresize用双线性即可。伪彩色映射只是工程习惯如果后面要迁移 ImageNet 预训练权重更稳妥的做法是把灰度图repmat成三通道保持前景统计特性一致。3. MATLAB 组网把滑窗切帧、CNN 卷积栈和 GRU 串成端到端CWT 出图之后问题变成「怎么把一堆时频图组织成序列并让 CNN 和 GRU 在同一张计算图里训练」。常见做法是先单帧提特征再训 GRU两步分开这里用 MATLAB 的sequenceFoldingLayer把两步合成一张图端到端训练梯度能从 GRU 直接传回卷积层特征提取和时序建模的目标函数一致。3.1 滑窗切帧把长信号变成图像序列function [seqCell, labels] buildSeqDataset(signalCell, fs, winLen, stepLen, seqLen, waveletName) % signalCell: N×1 cell每个元素是一段同工况的长信号 seqCell {}; labels []; for s 1:numel(signalCell) signal signalCell{s}(:); nFrame floor((numel(signal) - winLen) / stepLen) 1; frameImg cell(nFrame, 1); for i 1:nFrame seg signal((i-1)*stepLen (1:winLen)); frameImg{i} cwtToImage(seg, fs, waveletName, [500 4000]); end for i 1:floor(nFrame / seqLen) idx (i-1)*seqLen (1:seqLen); seqCell{end1} cat(4, frameImg{idx}); % H×W×3×seqLen labels(end1) s; % 实际换成工况标签 end end labels categorical(labels); end切帧是 CWT-CNN-GRU 里容易被低估的一步。winLen 建议取 1~2 个旋转周期太短装不下一个完整冲击太长把不同工况的信息混在同一帧stepLen 取 winLen 的一半50% 重叠能保证冲击不落在帧边界seqLen 是 GRU 看到的时间步数8~16 够用再增大准确率提升有限内存和训练时长却线性上涨。参数建议值依据winLen1~2 个旋转周期完整容纳冲击响应又不混入过多无关工况stepLenwinLen / 2重叠 50%避免事件恰好在帧边缘被截断seqLen8~16GRU 时间步数再大收益明显下降提示训练集和验证集必须按物理信号段划分不能按帧随机切。同一段信号的相邻帧相关性很高随机分帧会让验证指标虚高上线后立刻露馅。3.2 组网sequenceInput fold conv unfold GRUinputSize [224 224 3]; numClasses 4; % 按实际故障类别数修改 layers [ sequenceInputLayer(inputSize, Name, seq_in) sequenceFoldingLayer(Name, fold) convolution2dLayer([5 5], 16, Padding, same, Name, conv1) batchNormalizationLayer(Name, bn1) reluLayer(Name, relu1) maxPooling2dLayer([2 2], Stride, 2, Name, pool1) convolution2dLayer([3 3], 32, Padding, same, Name, conv2) batchNormalizationLayer(Name, bn2) reluLayer(Name, relu2) maxPooling2dLayer([2 2], Stride, 2, Name, pool2) sequenceUnfoldingLayer(Name, unfold) flattenLayer(Name, flatten) gruLayer(64, Name, gru1) dropoutLayer(0.2, Name, drop) fullyConnectedLayer(numClasses, Name, fc) softmaxLayer(Name, softmax) classificationLayer(Name, output) ]; lgraph layerGraph(layers); lgraph connectLayers(lgraph, fold/miniBatchSize, unfold/miniBatchSize); analyzeNetwork(lgraph);sequenceInputLayer接受的训练数据是 cell 数组每个元素是 H×W×C×T 的四维矩阵T 是该样本的序列长度。sequenceFoldingLayer把序列的时间维拆开拍平成普通图像 batch 送进卷积栈卷积和池化不会打乱帧顺序sequenceUnfoldingLayer再按原样拼回序列flattenLayer把每帧的特征图拉成向量GRU 沿时间步消化最后 softmax 出分类概率。倒数第二行connectLayers是必须的——fold 输出的miniBatchSize要通知 unfold 怎么还原序列漏掉这行analyzeNetwork直接报错。选 GRU 而不是 LSTM 的工程理由是参数量GRU 只有重置门和更新门参数约为 LSTM 的三分之二故障诊断数据集规模通常不大更少的参数意味着更不容易过拟合。gruLayer 在 R2019a 之后的 Deep Learning Toolbox 里都有老版本可以先用 lstmLayer 占位结构不变。3.3 trainingOptions 参数怎么设以及训练过程的判读options trainingOptions(adam, ... MaxEpochs, 30, ... MiniBatchSize, 8, ... InitialLearnRate, 1e-3, ... LearnRateSchedule, piecewise, ... LearnRateDropFactor, 0.5, ... LearnRateDropPeriod, 8, ... ValidationData, {valSeq, valLabels}, ... ValidationFrequency, 10, ... Plots, training-progress, ... Shuffle, every-epoch, ... ExecutionEnvironment, auto);参数建议值理由MiniBatchSize4~16折叠后实际过卷积的图像数是它乘以 seqLen显存不够先减它InitialLearnRate1e-3adam 下从 1e-3 起步val 不降再减到 3e-4LearnRateDropPeriod8每 8 轮减半给 GRU 段留出收敛时间ValidationFrequency10每 10 次迭代看一眼验证损失太频繁拖慢训练Shuffleevery-epoch防止序列顺序给训练引入偏差训练曲线里 loss 有锯齿是正常的重点看验证准确率的拐点。如果验证集在 10 轮内不涨先把学习率除以 3而不是加层GRU 超过 2 层对短序列场景往往有害。验证数据同样要包成 cell 数组的序列格式和训练数据保持一致否则trainNetwork会在数据格式检查阶段直接报错。4. GUI 设计与回调代码详解用 App Designer 把模型包成诊断工具模型训练收敛后剩下的工作是把推理过程交给不写代码的现场人员。App Designer 是 MATLAB 官方推荐的 GUI 方案guide 创建的 .fig 旧项目还能开新项目不建议再用。下面按界面布局、回调实现、打包注意事项三段讲清楚。4.1 界面布局与控件职责App Designer 里新建 Blank App把左侧需要的控件拖到画布上。一个够用的诊断界面只需要七个控件两个坐标轴、两个按钮、一个下拉框、一个数值框和一个标签。控件作用UIAxesMain显示原始波形诊断后标注故障时刻UIAxesCWT显示当前帧的 CWT 时频图LoadButton从 .mat 文件载入振动信号RunButton触发诊断并回显结果WaveletDropDown运行时切换母小波WindowLenEdit设置帧长度点数ResultLabel显示分类标签和置信度关键是让每个控件职责单一数据区只管信号参数区只负责切帧结果区只做显示。模型在startupFcn里一次性载入不要在回调函数里反复load否则每次点击按钮都会有几百毫秒的卡顿。4.2 核心回调加载信号、生成时频图、执行诊断% startupFcn应用启动时载入训练好的网络 function startupFcn(app) modelPath fullfile(models, cwt_cnn_gru_net.mat); if ~isfile(modelPath) app.ResultLabel.Text 模型文件不存在请先运行训练脚本; return; end loaded load(modelPath, net); app.Net loaded.net; end% LoadButtonPushed读取 .mat 信号文件并绘图 function LoadButtonPushed(app, event) [file, path] uigetfile({*.mat}, 选择振动信号文件); if isequal(file, 0); return; end d load(fullfile(path, file)); app.CurrentSignal d.vibration(:); % 假定文件里有 vibration 字段 app.fs d.fs; t (0:numel(app.CurrentSignal)-1) / app.fs; plot(app.UIAxesMain, t, app.CurrentSignal) xlabel(app.UIAxesMain, 时间 / s) ylabel(app.UIAxesMain, 幅值) end% RunButtonPushed切帧、过网络、回显结果 function RunButtonPushed(app, event) if isempty(app.CurrentSignal); return; end app.RunButton.Enable off; % 防止推理期间重复触发 drawnow; winLen app.WindowLenEdit.Value; seqLen app.SeqLenEdit.Value; seq buildOneSequence(app.CurrentSignal, app.fs, winLen, seqLen, ... app.WaveletDropDown.Value); [label, score] classify(app.Net, seq); app.ResultLabel.Text sprintf(诊断结果%s置信度 %.1f%%, ... char(label), max(score) * 100); app.RunButton.Enable on; end function seq buildOneSequence(sig, fs, winLen, seqLen, wname) frames zeros(224, 224, 3, seqLen); step round(winLen / 2); for i 1:seqLen seg sig((i-1)*step (1:winLen)); frames(:, :, :, i) cwtToImage(seg, fs, wname, [500 4000]); end seq {frames}; % 单样本也要包成 cell 序列和训练格式一致 end三个回调串起来的逻辑是启动时把网络放进内存加载按钮把信号读进 app 属性并画原始波形诊断按钮从界面取帧长和母小波切出 seqLen 帧的序列classify输出标签和置信度。drawnow放在按钮Enable切换之后强制刷新界面否则按钮状态变化要等回调结束才显示。诊断耗时主要在网络前向推理切帧的 CWT 计算在 CPU 上做序列不长时通常一两秒内能完成。4.3 打包与接口差异的几个坑% predict 和 classify 的差别需要概率时用 predict [score, label] predict(app.Net, seq);注意classify只返回标签predict才返回各类别概率分数。要做置信度阈值判断或后续的代价敏感决策用predict。打包成独立应用时模型 .mat 文件要作为附加文件加进项目路径尽量用相对路径不要依赖用户当前目录。用 MATLAB Compiler 部署时Deep Learning Toolbox 的推理代码会被自动带上但 CWT 相关的 Wavelet Toolbox 函数也要一并确认在依赖列表里。回调里只放推理不放训练训练脚本单独留在 .m 文件里GUI 保持轻量。5. CWT-CNN-GRU 的验证收口混淆矩阵、参数筛选与故障定位5.1 先看混淆矩阵而不是总体准确率figure; cm confusionchart(YValidation, YPredicted); cm.Normalization row-normalized; % 逐类召回率对角元除以对应行和 M cm.ConfusionMatrix; perClassRecall diag(M) ./ sum(M, 2);行归一化之后对角线就是每类召回率。看哪两类互相混淆比看总体准确率有用得多滚动体和外圈故障在时频图上纹理接近是最常见的混淆对。如果某两类确实分不开回到第 2 章换母小波或者把 winLen 加长让单帧包含更多冲击周期而不是急着加深网络。5.2 用轻量网格搜索定 CWT 参数wavelets {amor, bump, cmor2-1, cmor3-3}; bands {[500 2000], [500 4000], [1000 4000]}; bestAcc 0; for wi 1:numel(wavelets) for bi 1:numel(bands) % 按当前组合重新生成时频图数据集固定 15 个 epoch 快速训练 valAcc quickTrain(wavelets{wi}, bands{bi}); if valAcc bestAcc bestAcc valAcc; bestWave wavelets{wi}; bestBand bands{bi}; end end end这个脚本的核心思路是分层筛选先用短训练把参数组合粗筛一遍命中的组合再用完整 epoch 数重训。参数搜索阶段把 MaxEpochs 砍到 15验证只看准确率不看收敛曲线一轮网格控制在半小时内。全部跑完后用测试集验证一次防止筛选过程过拟合到验证集。5.3 用小波重构和包络定位故障时刻[wt, f] cwt(sig, amor, fs); % 重构故障频带分量去掉信号均值 sigBand icwt(wt, f, [800 3000], SignalMean, remove); % 希尔伯特包络解调出冲击序列 env abs(hilbert(sigBand)); [pks, locs] findpeaks(env, fs, ... MinPeakHeight, 0.4*max(env), MinPeakDistance, 0.02); % 平均冲击间隔的倒数即为故障特征频率 faultFreq 1 / mean(diff(locs));模型说「有故障」之后下一步是告诉现场人员故障点在哪、周期是多少。icwt只重构诊断频带hilbert包络把周期性冲击从调制信号里解调出来findpeaks找到每个冲击时刻平均间隔的倒数就是故障特征频率。把这个值和轴承故障特征频率的理论公式对照比如外圈 BPFO、内圈 BPFI能反过来验证 CNN-GRU 的分类是否合理。把 locs 时刻标注回原始波形冲击间隔周期与理论故障特征频率倒数对齐这条链路才算真正收口。本文还有配套的精品资源点击获取
简介一套基于连续小波变换CWT与卷积门控循环单元CNN-GRU融合的MATLAB故障诊断完整项目实例面向具备一定信号处理和深度学习基础的研究生、工程师及科研人员可用于旋转机械、风电机组、航空发动机等关键设备的智能状态监测与故障识别。资源以docx文档形式呈现共1个文件压缩包约132KB内容涵盖CWT时频图构建、CNN空间特征提取、GRU时序建模、多类故障分类的完整算法流程与代码详解并包含GUI交互界面设计、数据预处理、网络训练调优、模型评估与部署方案。文档目录结构清晰从项目背景、模型架构到数据构建、代码示例和应用领域逐步展开便于读者按章节实践。已有57人学习下载适合希望快速搭建CWT-CNN-GRU诊断框架、开展多工况迁移实验并提升工程落地能力的读者。1. 信号处理里的故障诊断为什么值得用 CWT-CNN-GRU 组合振动信号处理里的故障诊断任务越来越多团队把连续小波变换CWT和卷积门控循环单元CNN-GRU串成一条流水线CWT 把一维冲击信号展开成时频图CNN 提取纹理GRU 消化连续时频帧之间的时间依赖。这个思路在 MATLAB 里从数据准备到界面部署都能闭环但真正卡人的不是网络本身而是 CWT 参数怎么定、信号怎么切帧、GUI 怎么封装。这篇实现按「CWT 定参 → CNN-GRU 组网 → GUI 封装」的顺序把完整程序拆开讲代码可直接换数据集复现适合做设备状态监测的工程师和信号处理方向的研究生。2. 连续小波变换的参数选择母小波、尺度与 CWT 系数预处理信号处理里选时频工具很多人的第一反应是短时傅里叶变换。窗口长度一定低频段的频率分辨率和高频段的时间分辨率就互相打架。CWT 用一组可变宽度的基函数替代固定窗低频配宽窗频率分辨率高高频配窄窗时间定位准。对冲击类故障这种自适应特性正是需要的。雷达信号处理里常用的时频分析思路在机械故障诊断里同样适用。MATLAB 的cwt函数把变换压缩成一行调用但默认参数离「能喂给 CNN-GRU」还差三步选母小波、定尺度范围、把系数转成图像。2.1 cwt 的两种调用方式以及尺度到频率的换算% 方式一自动尺度f 直接是伪频率Hz [wt, f] cwt(signal, amor, fs); % 方式二自定义尺度向量便于复现和不同方法对比 scales 2.^(1:0.1:12); % 对数均匀铺开的尺度 [wt, f] cwt(signal, scales, morl, fs);方式一只传信号、母小波和采样率尺度由函数内部按信号长度自动铺满适合第一版跑通链路。方式二把尺度范围固定下来同一个模型换信号时结果可复现做对比实验也更规范。伪频率和尺度的关系是f fc * fs / scales其中 fc 是所选母小波的中心频率。要画尺度与频率的对照曲线用scal2frqf_axis scal2frq(scales, morl, fs); semilogy(f_axis, scales); % 横轴频率Hz纵轴尺度尺度范围决定时频图覆盖的频率区间。轴承诊断里转频和故障特征频率通常集中在 0.5~5 kHzscales 从 2^1 铺到 2^12 已经覆盖得比较宽如果只关心齿轮啮合频率附近的边频带把尺度上限调小图像在频率方向的利用率会更高。另一个容易忽略的点是 COI锥形影响区CWT 系数在时间轴两端是不可信的越靠边的点受边界截断影响越大滑窗切帧时尽量让冲击事件落在帧的中部。2.2 母小波选型先跑通 amor再按混淆矩阵换母小波特点故障诊断适用场合amor解析 Morlet时间与频率分辨率均衡默认起步先把整条链路跑通cmor3-3带宽和中心频率可调两个故障特征频率靠得近需要细调分辨率bump频带窄频率聚焦好谐波和边频带密集需要精细频率定位morse参数自由度最大大数据量下做最后的精度调优常见做法是用 amor 做首发它对多数轴承、齿轮箱数据不会出大问题。等模型训完看混淆矩阵里哪两类故障互相分不开再回头换母小波两个特征频率靠得近换 cmor3-3 并把带宽参数调小谐波成分密集换 bump 用窄带换更精细的频率定位。不建议第一轮就做母小波穷举参数搜索放在模型定型之后第 5 章会给出一个轻量筛选脚本。2.3 CWT 系数到 CNN 输入对数压缩、频带截取和伪彩色function img cwtToImage(signal, fs, waveletName, freqBand) % 输入一维信号返回 224×224×3 的 RGB 图像 [wt, f] cwt(signal, waveletName, fs); idx f freqBand(1) f freqBand(2); % 截取频带 wt wt(idx, :); spec 20 * log10(abs(wt) eps); % 对数压缩加 eps 防 log10(0) spec mat2gray(spec); % 归一化到 [0,1] img ind2rgb(imresize(spec, [224 224]), jet(256)); end这段做了三个关键动作。一是对数压缩CWT 系数动态范围常有几十 dB直接线性归一化会把弱故障的调制边带压成背景取幅值的对数才能让低幅值细节显形。二是频带截取转频和工频噪声对分类贡献小截断之后图像有效信息密度更高也变相降低了 CNN 要学的冗余模式。三是尺寸统一224×224 可以接预训练模型自己搭小网络也够用imresize用双线性即可。伪彩色映射只是工程习惯如果后面要迁移 ImageNet 预训练权重更稳妥的做法是把灰度图repmat成三通道保持前景统计特性一致。3. MATLAB 组网把滑窗切帧、CNN 卷积栈和 GRU 串成端到端CWT 出图之后问题变成「怎么把一堆时频图组织成序列并让 CNN 和 GRU 在同一张计算图里训练」。常见做法是先单帧提特征再训 GRU两步分开这里用 MATLAB 的sequenceFoldingLayer把两步合成一张图端到端训练梯度能从 GRU 直接传回卷积层特征提取和时序建模的目标函数一致。3.1 滑窗切帧把长信号变成图像序列function [seqCell, labels] buildSeqDataset(signalCell, fs, winLen, stepLen, seqLen, waveletName) % signalCell: N×1 cell每个元素是一段同工况的长信号 seqCell {}; labels []; for s 1:numel(signalCell) signal signalCell{s}(:); nFrame floor((numel(signal) - winLen) / stepLen) 1; frameImg cell(nFrame, 1); for i 1:nFrame seg signal((i-1)*stepLen (1:winLen)); frameImg{i} cwtToImage(seg, fs, waveletName, [500 4000]); end for i 1:floor(nFrame / seqLen) idx (i-1)*seqLen (1:seqLen); seqCell{end1} cat(4, frameImg{idx}); % H×W×3×seqLen labels(end1) s; % 实际换成工况标签 end end labels categorical(labels); end切帧是 CWT-CNN-GRU 里容易被低估的一步。winLen 建议取 1~2 个旋转周期太短装不下一个完整冲击太长把不同工况的信息混在同一帧stepLen 取 winLen 的一半50% 重叠能保证冲击不落在帧边界seqLen 是 GRU 看到的时间步数8~16 够用再增大准确率提升有限内存和训练时长却线性上涨。参数建议值依据winLen1~2 个旋转周期完整容纳冲击响应又不混入过多无关工况stepLenwinLen / 2重叠 50%避免事件恰好在帧边缘被截断seqLen8~16GRU 时间步数再大收益明显下降提示训练集和验证集必须按物理信号段划分不能按帧随机切。同一段信号的相邻帧相关性很高随机分帧会让验证指标虚高上线后立刻露馅。3.2 组网sequenceInput fold conv unfold GRUinputSize [224 224 3]; numClasses 4; % 按实际故障类别数修改 layers [ sequenceInputLayer(inputSize, Name, seq_in) sequenceFoldingLayer(Name, fold) convolution2dLayer([5 5], 16, Padding, same, Name, conv1) batchNormalizationLayer(Name, bn1) reluLayer(Name, relu1) maxPooling2dLayer([2 2], Stride, 2, Name, pool1) convolution2dLayer([3 3], 32, Padding, same, Name, conv2) batchNormalizationLayer(Name, bn2) reluLayer(Name, relu2) maxPooling2dLayer([2 2], Stride, 2, Name, pool2) sequenceUnfoldingLayer(Name, unfold) flattenLayer(Name, flatten) gruLayer(64, Name, gru1) dropoutLayer(0.2, Name, drop) fullyConnectedLayer(numClasses, Name, fc) softmaxLayer(Name, softmax) classificationLayer(Name, output) ]; lgraph layerGraph(layers); lgraph connectLayers(lgraph, fold/miniBatchSize, unfold/miniBatchSize); analyzeNetwork(lgraph);sequenceInputLayer接受的训练数据是 cell 数组每个元素是 H×W×C×T 的四维矩阵T 是该样本的序列长度。sequenceFoldingLayer把序列的时间维拆开拍平成普通图像 batch 送进卷积栈卷积和池化不会打乱帧顺序sequenceUnfoldingLayer再按原样拼回序列flattenLayer把每帧的特征图拉成向量GRU 沿时间步消化最后 softmax 出分类概率。倒数第二行connectLayers是必须的——fold 输出的miniBatchSize要通知 unfold 怎么还原序列漏掉这行analyzeNetwork直接报错。选 GRU 而不是 LSTM 的工程理由是参数量GRU 只有重置门和更新门参数约为 LSTM 的三分之二故障诊断数据集规模通常不大更少的参数意味着更不容易过拟合。gruLayer 在 R2019a 之后的 Deep Learning Toolbox 里都有老版本可以先用 lstmLayer 占位结构不变。3.3 trainingOptions 参数怎么设以及训练过程的判读options trainingOptions(adam, ... MaxEpochs, 30, ... MiniBatchSize, 8, ... InitialLearnRate, 1e-3, ... LearnRateSchedule, piecewise, ... LearnRateDropFactor, 0.5, ... LearnRateDropPeriod, 8, ... ValidationData, {valSeq, valLabels}, ... ValidationFrequency, 10, ... Plots, training-progress, ... Shuffle, every-epoch, ... ExecutionEnvironment, auto);参数建议值理由MiniBatchSize4~16折叠后实际过卷积的图像数是它乘以 seqLen显存不够先减它InitialLearnRate1e-3adam 下从 1e-3 起步val 不降再减到 3e-4LearnRateDropPeriod8每 8 轮减半给 GRU 段留出收敛时间ValidationFrequency10每 10 次迭代看一眼验证损失太频繁拖慢训练Shuffleevery-epoch防止序列顺序给训练引入偏差训练曲线里 loss 有锯齿是正常的重点看验证准确率的拐点。如果验证集在 10 轮内不涨先把学习率除以 3而不是加层GRU 超过 2 层对短序列场景往往有害。验证数据同样要包成 cell 数组的序列格式和训练数据保持一致否则trainNetwork会在数据格式检查阶段直接报错。4. GUI 设计与回调代码详解用 App Designer 把模型包成诊断工具模型训练收敛后剩下的工作是把推理过程交给不写代码的现场人员。App Designer 是 MATLAB 官方推荐的 GUI 方案guide 创建的 .fig 旧项目还能开新项目不建议再用。下面按界面布局、回调实现、打包注意事项三段讲清楚。4.1 界面布局与控件职责App Designer 里新建 Blank App把左侧需要的控件拖到画布上。一个够用的诊断界面只需要七个控件两个坐标轴、两个按钮、一个下拉框、一个数值框和一个标签。控件作用UIAxesMain显示原始波形诊断后标注故障时刻UIAxesCWT显示当前帧的 CWT 时频图LoadButton从 .mat 文件载入振动信号RunButton触发诊断并回显结果WaveletDropDown运行时切换母小波WindowLenEdit设置帧长度点数ResultLabel显示分类标签和置信度关键是让每个控件职责单一数据区只管信号参数区只负责切帧结果区只做显示。模型在startupFcn里一次性载入不要在回调函数里反复load否则每次点击按钮都会有几百毫秒的卡顿。4.2 核心回调加载信号、生成时频图、执行诊断% startupFcn应用启动时载入训练好的网络 function startupFcn(app) modelPath fullfile(models, cwt_cnn_gru_net.mat); if ~isfile(modelPath) app.ResultLabel.Text 模型文件不存在请先运行训练脚本; return; end loaded load(modelPath, net); app.Net loaded.net; end% LoadButtonPushed读取 .mat 信号文件并绘图 function LoadButtonPushed(app, event) [file, path] uigetfile({*.mat}, 选择振动信号文件); if isequal(file, 0); return; end d load(fullfile(path, file)); app.CurrentSignal d.vibration(:); % 假定文件里有 vibration 字段 app.fs d.fs; t (0:numel(app.CurrentSignal)-1) / app.fs; plot(app.UIAxesMain, t, app.CurrentSignal) xlabel(app.UIAxesMain, 时间 / s) ylabel(app.UIAxesMain, 幅值) end% RunButtonPushed切帧、过网络、回显结果 function RunButtonPushed(app, event) if isempty(app.CurrentSignal); return; end app.RunButton.Enable off; % 防止推理期间重复触发 drawnow; winLen app.WindowLenEdit.Value; seqLen app.SeqLenEdit.Value; seq buildOneSequence(app.CurrentSignal, app.fs, winLen, seqLen, ... app.WaveletDropDown.Value); [label, score] classify(app.Net, seq); app.ResultLabel.Text sprintf(诊断结果%s置信度 %.1f%%, ... char(label), max(score) * 100); app.RunButton.Enable on; end function seq buildOneSequence(sig, fs, winLen, seqLen, wname) frames zeros(224, 224, 3, seqLen); step round(winLen / 2); for i 1:seqLen seg sig((i-1)*step (1:winLen)); frames(:, :, :, i) cwtToImage(seg, fs, wname, [500 4000]); end seq {frames}; % 单样本也要包成 cell 序列和训练格式一致 end三个回调串起来的逻辑是启动时把网络放进内存加载按钮把信号读进 app 属性并画原始波形诊断按钮从界面取帧长和母小波切出 seqLen 帧的序列classify输出标签和置信度。drawnow放在按钮Enable切换之后强制刷新界面否则按钮状态变化要等回调结束才显示。诊断耗时主要在网络前向推理切帧的 CWT 计算在 CPU 上做序列不长时通常一两秒内能完成。4.3 打包与接口差异的几个坑% predict 和 classify 的差别需要概率时用 predict [score, label] predict(app.Net, seq);注意classify只返回标签predict才返回各类别概率分数。要做置信度阈值判断或后续的代价敏感决策用predict。打包成独立应用时模型 .mat 文件要作为附加文件加进项目路径尽量用相对路径不要依赖用户当前目录。用 MATLAB Compiler 部署时Deep Learning Toolbox 的推理代码会被自动带上但 CWT 相关的 Wavelet Toolbox 函数也要一并确认在依赖列表里。回调里只放推理不放训练训练脚本单独留在 .m 文件里GUI 保持轻量。5. CWT-CNN-GRU 的验证收口混淆矩阵、参数筛选与故障定位5.1 先看混淆矩阵而不是总体准确率figure; cm confusionchart(YValidation, YPredicted); cm.Normalization row-normalized; % 逐类召回率对角元除以对应行和 M cm.ConfusionMatrix; perClassRecall diag(M) ./ sum(M, 2);行归一化之后对角线就是每类召回率。看哪两类互相混淆比看总体准确率有用得多滚动体和外圈故障在时频图上纹理接近是最常见的混淆对。如果某两类确实分不开回到第 2 章换母小波或者把 winLen 加长让单帧包含更多冲击周期而不是急着加深网络。5.2 用轻量网格搜索定 CWT 参数wavelets {amor, bump, cmor2-1, cmor3-3}; bands {[500 2000], [500 4000], [1000 4000]}; bestAcc 0; for wi 1:numel(wavelets) for bi 1:numel(bands) % 按当前组合重新生成时频图数据集固定 15 个 epoch 快速训练 valAcc quickTrain(wavelets{wi}, bands{bi}); if valAcc bestAcc bestAcc valAcc; bestWave wavelets{wi}; bestBand bands{bi}; end end end这个脚本的核心思路是分层筛选先用短训练把参数组合粗筛一遍命中的组合再用完整 epoch 数重训。参数搜索阶段把 MaxEpochs 砍到 15验证只看准确率不看收敛曲线一轮网格控制在半小时内。全部跑完后用测试集验证一次防止筛选过程过拟合到验证集。5.3 用小波重构和包络定位故障时刻[wt, f] cwt(sig, amor, fs); % 重构故障频带分量去掉信号均值 sigBand icwt(wt, f, [800 3000], SignalMean, remove); % 希尔伯特包络解调出冲击序列 env abs(hilbert(sigBand)); [pks, locs] findpeaks(env, fs, ... MinPeakHeight, 0.4*max(env), MinPeakDistance, 0.02); % 平均冲击间隔的倒数即为故障特征频率 faultFreq 1 / mean(diff(locs));模型说「有故障」之后下一步是告诉现场人员故障点在哪、周期是多少。icwt只重构诊断频带hilbert包络把周期性冲击从调制信号里解调出来findpeaks找到每个冲击时刻平均间隔的倒数就是故障特征频率。把这个值和轴承故障特征频率的理论公式对照比如外圈 BPFO、内圈 BPFI能反过来验证 CNN-GRU 的分类是否合理。把 locs 时刻标注回原始波形冲击间隔周期与理论故障特征频率倒数对齐这条链路才算真正收口。本文还有配套的精品资源点击获取
