【故障诊断】格拉姆变换与并行网络1D-2D-CNN-BiLSTM故障诊断研究（Matlab代码实现）

最新推荐文章于 2025-04-24 16:18:10 发布

荔枝科研社

最新推荐文章于 2025-04-24 16:18:10 发布

阅读量912

点赞数 28

文章标签：网络 cnn matlab

本文链接：https://blog.csdn.net/weixin_46039719/article/details/147346485

版权

💥💥💞💞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。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

格拉姆变换与并行网络1D-2D-CNN-BiLSTM的故障诊断研究

1. 格拉姆变换的核心作用

2. 并行网络架构设计

3. 技术优势与实验验证

4. 关键技术创新

5. 应用场景与局限性

6. 未来研究方向

总结

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

⛳️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

格拉姆变换与并行网络1D-2D-CNN-BiLSTM的故障诊断研究

1. 格拉姆变换的核心作用

格拉姆角场（Gramian Angular Field, GAF）及其变体（如GADF、GASF）是一种将一维时序信号转换为二维图像的技术，通过保留信号的时间相关性，将振动、电流等原始数据映射为具有空间特征的图像。这种转换的优势在于：

信息保留：通过极坐标编码，将时序信号的相位和幅值信息转化为图像像素，保留了信号的时间序列特性。
计算效率：相较于连续小波变换（CWT）等传统方法，GAF转换速度更快，适合实时处理。
多模态输入：生成的二维图像可作为2D-CNN的输入，而原始一维信号可同时输入1D-CNN，实现并行特征提取。

2. 并行网络架构设计

1D-2D-CNN-BiLSTM模型通过多路径并行处理融合时空特征，具体结构如下：

输入层分路：
- 1D信号分支：原始振动信号直接输入1D-CNN，提取局部时序特征（如短期波动、频域特性）。
- 2D图像分支：通过GAF转换的二维图像输入2D-CNN，捕捉空间纹理特征（如故障模式的空间分布）。
特征提取层：
- 1D-CNN结构：包含卷积层、池化层，参数少、计算复杂度低，适合实时处理。例如，通过多尺度并行卷积核（如3×1、5×1）提取不同时间窗口的特征。
- 2D-CNN结构：利用经典网络（如VGG、ResNet）或轻量化设计（如组归一化卷积）提取图像深层特征，增强对故障模式的空间敏感性。
特征融合与BiLSTM建模：
- 特征拼接：1D和2D分支的输出通过全连接层或拼接层（Concatenation）融合，结合时序与空间信息。
- BiLSTM层：双向长短期记忆网络处理融合后的特征，捕捉长期依赖关系。前向LSTM捕捉历史信息，后向LSTM捕捉未来上下文，增强对复杂故障动态的建模能力。
分类与优化：
- 最终输出通过Softmax或极限学习机（ELM）分类，结合交叉熵损失函数优化。

3. 技术优势与实验验证

并行结构的优势：
- 计算效率：1D-CNN的并行化处理能力（如多核卷积）可加速特征提取，而2D-CNN通过图像输入减少信号长度对模型深度的影响。
- 特征互补性：1D分支擅长捕捉高频瞬态特征（如轴承早期损伤的脉冲信号），2D分支识别低频宏观模式（如齿轮磨损的周期性纹理），两者结合提升诊断鲁棒性。
实验性能：
- 小样本适应性：在仅20%训练数据下，模型测试准确率仍达97%以上，优于SVM（约85%）和单分支CNN（约93%）。
- 跨负载泛化：在6种不同负载条件下，平均诊断准确率超过99%，表明模型对工况变化的强适应性。
- 对比实验：与单一BiLSTM或CNN模型相比，并行结构的准确率提升约5-8%，且收敛速度更快。

4. 关键技术创新

动态数据增强：
- 结合GAF与生成对抗网络（GAN），通过生成故障样本解决数据不均衡问题。例如，裁剪GAF子图并结合WGAN-GP生成高质量图像，扩充小样本数据集。
注意力机制优化：
- 在BiLSTM层后引入注意力机制（Attention），加权聚焦关键时间步的特征，减少噪声干扰。
模型轻量化：
- 采用深度压缩技术（如剪枝、量化），在剪枝率≤0.85时，模型大小减少70%而精度保持99%以上，适合边缘设备部署。

5. 应用场景与局限性

适用场景：
- 旋转机械故障诊断（如轴承、齿轮箱）、电力设备监测（如变压器、电机）、结构健康评估（如桥梁损伤识别）。
局限性：
- 计算资源需求：并行结构需较高GPU内存，尤其在处理长序列信号时（如风电齿轮箱的分钟级振动数据）。
- 信号转换失真：GAF对非平稳信号（如冲击性故障）的转换可能丢失高频细节，需结合时频分析（如CWT）弥补。

6. 未来研究方向

多模态融合扩展：引入声学信号、红外图像等多源数据，扩展并行网络输入维度。
自监督学习：利用对比学习（Contrastive Learning）从无标签数据中预训练特征提取器，提升小样本性能。
实时性优化：探索模型蒸馏（Knowledge Distillation）将并行网络压缩为轻量级单分支模型，适应工业实时诊断需求。

总结

格拉姆变换与并行网络1D-2D-CNN-BiLSTM的结合，通过时空特征融合与双向时序建模，显著提升了故障诊断的精度与泛化能力。其在复杂工况、小样本场景下的优异表现，为工业智能诊断提供了新的技术路径。未来研究需进一步平衡模型复杂度与实时性，并探索跨领域迁移学习的可能性。

📚2 运行结果

这里将采用格拉姆矩阵法生成的二维矩阵送入input1中，采用CNN进行空间特征提取，然后再将原始的一维数据送入vinput中，采用Bilstm进行时间特征的学习，最后再将生成的向量进行拼接，最后一起送到分类器或预测器中。

格拉姆矩阵图像：

部分代码：

%% Set the hyper parameters for unet training
options0 = trainingOptions('adam', ...                 % 优化算法Adam
    'MaxEpochs', 150, ...                            % 最大训练次数
    'GradientThreshold', 1, ...                       % 梯度阈值
    'InitialLearnRate', 0.001, ...         % 初始学习率
    'LearnRateDropFactor',0.01, ...                    % 学习率调整因子
    'L2Regularization', 0.001, ...         % 正则化参数
    'ExecutionEnvironment', 'cpu',...                 % 训练环境
    'Verbose', 1, ...                                 % 关闭优化过程
    'Plots', 'none');                    % 画出曲线
% % start training
t0 = tic;  %开始计时
net = trainNetwork(trainD,train_Y, layers0,options0 );
toc(t0); % 从t0开始到此处的执行时间
%% Accuracy assessment
pred = classify(net, testD);
pred = pred';
accuracy=sum(test_Y==pred)/length(pred);   %计算预测的确率

% 标准bilstm作图
% 画方框图
figure
confMat = confusionmat(test_Y,pred);  %test_Y是真实值标签
zjyanseplotConfMat(confMat.');
xlabel('Predicted label')
ylabel('Real label')
title(['测试集正确率 = ',num2str(accuracy*100),' %'])
% 作图
figure
scatter(1:length(pred),pred,'r^')
hold on
scatter(1:length(pred),test_Y,'b*')
legend('预测类别','真实类别','NorthWest')
title(['测试集正确率 = ',num2str(accuracy*100),' %'])
xlabel('预测样本编号')
ylabel('分类结果')
box on
set(gca,'fontsize',12)