基于离散韦格纳分布DWVD结合MCNN-BiLSTM-Attention的故障诊断研究
一、整体思路概述
-
离散韦格纳分布（DWVD）
- 将原始一维振动/电流信号转化为二维时‑频图（DWVD‑Scalogram），保留瞬时频率信息，适合作为 CNN 的输入[[1]][[2]][[3]]。
-
多尺度卷积神经网络（MCNN）
- 采用 并行多尺度卷积通道（如 3×3、5×5、7×7）提取不同分辨率的空间特征，随后 Batch Normalization + ReLU + Dropout 加速收敛[[4]][[5]][[6]]。
-
BiLSTM‑Attention
- 将 MCNN 输出的特征序列送入 双向 LSTM 捕获时序依赖；
- 通过 注意力层 为每个时间步分配权重，突出关键故障片段，提高辨识精度[[7]][[8]][[9]]。
-
端到端训练
- 交叉熵损失 + Adam 优化；
- 采用 70 %/15 %/15 % 的训练/验证/测试划分；
- 训练结束后输出 整体准确率、混淆矩阵，并保存模型