CWT-CNN-LSTM基于连续小波变换和卷积神经网络-长短期记忆网络故障诊断MATLAB代码
该代码实现了一个基于连续小波变换（CWT）和卷积神经网络-长短期记忆网络（CNN-LSTM）的滚动轴承故障诊断流程，用于对凯斯西储大学（CWRU）轴承数据集中的10种不同健康状况（正常、内圈故障、滚动体故障、外圈故障，每种包含三种损伤直径）进行分类识别。
一、研究背景
- 应用领域：机械故障诊断、旋转机械健康监测。
- 数据来源：凯斯西储大学（CWRU）轴承数据中心。
- 故障类型：内圈故障、滚动体故障、外圈故障，三种损伤直径（0.007、0.014、0.021 英寸）加上正常状态，共 10 类。
- 目标：通过振动信号自动识别轴承故障类型和严重程度。
二、主要功能
- 数据预处理：从原始振动信号中提取样本，加标签。
- 时频图生成：通过连续小波变换（CWT）将一维信号转换为二维时频图像。
- 图像统一处理：调整图像尺寸，便于深度学习模型输入。
- CNN-LSTM 模型构建与训练：
- CNN 提取空间特征。
- LSTM 提取时间序列特征。
- 模型评估与可视化：
- 准确率、混淆矩阵、t-SNE 特征分布图。
- 训练过程可视化。
三、算法步骤（技术路线）
数据加载与样本划分（
shujuchuli_1797.m）：- 加载 10 种状态的 .mat 文件。
- 每个状态取 100 个样本，每个样本 2048 点。
- 加标签，保存为
data_total_1797.mat。
时频图生成（
Step1.m）：- 使用连续小波变换（CWT）将每段信号转化为时频图。
- 小波函数：
cmor3-3，尺度长度 256。 - 保存为 JPG 图像。
图像尺寸统一（
Step2_JPG_Resize.m）：- 将所有图像调整为
64×64×3。 - 保存为
resizeimg.mat（包含图像与标签）。
- 将所有图像调整为
模型构建与训练（
main.m）：- 划分训练集（每类 70 张）和测试集（每类 30 张）。
- 构建 CNN-LSTM 网络：
- 卷积层 + 池化层 + Dropout
- 展平层 + LSTM 层
- 全连接层 + Softmax
- 使用 Adam 优化器，训练 30 轮。
- 评估准确率，绘制混淆矩阵、t-SNE 分布图。
四、公式原理
连续小波变换（CWT）：
Wx(a,b)=1a∫x(t)ψ∗(t−ba)dt W_x(a,b) = \frac{1}{\sqrt{a}} \int x(t) \psi^*\left(\frac{t-b}{a}\right) dtWx(a,b)=a1∫x(t)ψ∗(at−b)dt
其中 (a) 为尺度，(b) 为平移，(\psi) 为小波基函数。CNN 卷积操作：
yi,j=∑m=1M∑n=1Nwm,n⋅xi+m−1,j+n−1+b y_{i,j} = \sum_{m=1}^{M} \sum_{n=1}^{N} w_{m,n} \cdot x_{i+m-1, j+n-1} + byi,j=m=1∑Mn=1∑Nwm,n⋅xi+m−1,j+n−1+bLSTM 单元更新：
- 输入门、遗忘门、输出门、细胞状态更新。
损失函数：交叉熵损失。
五、参数设定
| 参数 | 值 | 说明 |
|---|---|---|
| 采样频率 | 12000 Hz | 原始信号采样率 |
| 小波函数 | cmor3-3 | 复Morlet小波 |
| 尺度长度 | 256 | CWT 尺度数 |
| 图像尺寸 | 64×64×3 | 统一输入尺寸 |
| 每类样本数 | 100 | 训练+测试 |
| 训练/测试比例 | 70 / 30 | 每类 |
| 卷积核 | 3×3, 5×5 | 两层卷积 |
| LSTM 单元数 | 30 | 最后时间步输出 |
| 学习率 | 0.001 | Adam |
| 训练轮数 | 30 | Epochs |
| Dropout | 0.2 / 0.1 | 防止过拟合 |
六、运行环境
- 软件：MATLAB2020及以上
七、应用场景
- 工业旋转机械（如电机、风机、泵）的智能故障诊断。
- 基于振动信号的设备健康监测系统。
- 深度学习的故障模式识别研究。