轴承故障诊断-MCNN-基于小波变换-MATLAB”​

完整代码请跳转“轴承故障诊断-MCNN-基于小波变换-MATLAB”

一、基本概念对比

• CNN（卷积神经网络）
  是一种典型的深度学习模型，核心在于通过卷积层提取数据的空间特征，结合池化层降维，最终通过全连接层完成分类或回归任务。其结构简单高效，广泛应用于图像识别、语音处理等领域。

• MCNN（多通道卷积神经网络）
  并非单一固定架构，通常指多通道输入或多分支网络结构的卷积神经网络，旨在处理多源异构数据或提取更复杂的特征组合。

二、核心区别解析

三、MCNN 的典型类型与应用

1. 多输入通道 MCNN

   • 示例：输入同时包含图像的 RGB 通道和深度通道（如 RGBD 图像），每个通道对应独立的卷积层，最终融合特征。
   • 应用：机器人视觉（结合颜色与深度信息进行环境感知）。

2. 多分支结构 MCNN

   • 示例：Siamese 网络（孪生网络），通过两个对称的 CNN 分支处理输入对（如图像对），计算相似度。
   • 应用：目标跟踪、人脸识别中的特征匹配。

3. 多尺度特征融合 MCNN

   • 示例：使用不同大小的卷积核分支（如 Inception 模块），同时提取局部和全局特征。
   • 应用：图像语义分割（兼顾细节与整体结构）。

四、优势与挑战

• MCNN 的优势

  • 适应多源数据融合，提升模型对复杂场景的理解能力。
  • 多分支结构可针对性提取不同类型特征，增强模型泛化性。
  • 在需要多维度信息的任务中（如医疗诊断），比单通道 CNN 更具优势。

• MCNN 的挑战

  • 结构复杂导致训练难度增加，需更多标注数据和计算资源。
  • 多通道特征融合的权重设计需领域知识支撑，否则可能引入噪声。
  • 模型部署时对硬件性能要求更高（如边缘计算设备）。

五、总结

CNN 是深度学习的基础架构，适合单模态、结构化数据的特征提取；而 MCNN 通过多通道或多分支设计，突破了单一数据形式的限制，更适用于多模态融合、复杂特征建模的场景。实际应用中，可根据任务需求选择 CNN 的轻量化优势，或利用 MCNN 的多维度特征处理能力提升模型性能。

%% 轴承故障诊断 - 基于小波变换和MCNN
clear all; close all; clc;

%% 参数设置
waveletName = 'db4';        % 小波基函数
decompLevel = 5;            % 分解层数
samplingFreq = 12000;       % 采样频率(Hz)
dataLength = 1024;          % 每个样本长度
trainRatio = 0.7;           % 训练集比例
batchSize = 64;             % 批大小
maxEpochs = 50;             % 最大训练轮次

%% 1. 数据加载与预处理
fprintf('加载数据并进行预处理...\n');
data = loadBearingData();   % 自定义函数加载轴承数据
classes = unique(data.labels);
numClasses = length(classes);

% 划分训练集和测试集
[trainData, testData] = splitData(data, trainRatio);

%% 2. 多尺度小波变换特征提取
fprintf('执行多尺度小波变换特征提取...\n');
[trainFeaturesTime, trainFeaturesWavelet] = multiScaleFeatureExtraction(trainData.signals, waveletName, decompLevel);
[testFeaturesTime, testFeaturesWavelet] = multiScaleFeatureExtraction(testData.signals, waveletName, decompLevel);

% 特征可视化(可选)
visualizeMultiFeatures(trainFeaturesTime(1:5,:), trainFeaturesWavelet(1:5,:), trainData.labels(1:5));

%% 3. 数据格式转换为MCNN输入
fprintf('准备MCNN训练数据...\n');
[XTrainTime, XTrainWavelet, YTrain] = prepareDataForMCNN(trainFeaturesTime, trainFeaturesWavelet, trainData.labels, dataLength);
[XTestTime, XTestWavelet, YTest] = prepareDataForMCNN(testFeaturesTime, testFeaturesWavelet, testData.labels, dataLength);

%% 4. 构建MCNN模型
fprintf('构建MCNN模型...\n');
mcnn = buildMCNNModel(dataLength, numClasses);

%% 5. 设置训练选项
options = trainingOptions('adam', ...
    'InitialLearnRate', 0.001, ...
    'MaxEpochs', maxEpochs, ...
    'MiniBatchSize', batchSize, ...
    'Shuffle', 'every-epoch', ...
    'ValidationData', {XTestTime, XTestWavelet, YTest}, ...
    'ValidationFrequency', 30, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

%% 6. 训练MCNN模型
fprintf('开始训练MCNN模型...\n');
net = trainNetwork({XTrainTime, XTrainWavelet}, YTrain, mcnn, options);

%% 7. 模型评估
fprintf('评估模型性能...\n');
YPred = classify(net, {XTestTime, XTestWavelet});
accuracy = mean(YPred == YTest);
fprintf('测试集准确率: %.2f%%\n', accuracy*100);

% 混淆矩阵
cm = confusionmat(YTest, YPred);
plotconfusion(YTest, YPred);
title(['混淆矩阵 (准确率: ' num2str(accuracy*100) '% )']);

%% 8. 故障特征可视化与分析
visualizeNetwork(net);
visualizeClassificationResults(YPred, YTest, classes);

%% 自定义函数: 构建MCNN模型
function mcnn = buildMCNNModel(inputSize, numClasses)
    % 时域信号分支
    timeBranch = [
        imageInputLayer([inputSize 1 1], 'Name', 'timeInput')
        
        convolution2dLayer([16 1], 16, 'Padding', 'same', 'Name', 'timeConv1')
        batchNormalizationLayer('Name', 'timeBN1')
        reluLayer('Name', 'timeReLU1')
        
        maxPooling2dLayer([2 1], 'Stride', [2 1], 'Name', 'timePool1')
        
        convolution2dLayer([8 1], 32, 'Padding', 'same', 'Name', 'timeConv2')
        batchNormalizationLayer('Name', 'timeBN2')
        reluLayer('Name', 'timeReLU2')
        
        maxPooling2dLayer([2 1], 'Stride', [2 1], 'Name', 'timePool2')
    ];
    
    % 小波变换分支
    waveletBranch = [
        imageInputLayer([inputSize 1 1], 'Name', 'waveletInput')
        
        convolution2dLayer([16 1], 16, 'Padding', 'same', 'Name', 'waveConv1')
        batchNormalizationLayer('Name', 'waveBN1')
        reluLayer('Name', 'waveReLU1')
        
        maxPooling2dLayer([2 1], 'Stride', [2 1], 'Name', 'wavePool1')
        
        convolution2dLayer([8 1], 32, 'Padding', 'same', 'Name', 'waveConv2')
        batchNormalizationLayer('Name', 'waveBN2')
        reluLayer('Name', 'waveReLU2')
        
        maxPooling2dLayer([2 1], 'Stride', [2 1], 'Name', 'wavePool2')
    ];
    
    % 特征融合与分类层
    fusionLayers = [
        convolution2dLayer([4 1], 64, 'Padding', 'same', 'Name', 'fusionConv')
        batchNormalizationLayer('Name', 'fusionBN')
        reluLayer('Name', 'fusionReLU')
        
        globalAveragePooling2dLayer('Name', 'globalPool')
        
        fullyConnectedLayer(numClasses, 'Name', 'fc')
        softmaxLayer('Name', 'softmax')
        classificationLayer('Name', 'classoutput')
    ];
    
    % 连接多分支
    mcnn = layerGraph([timeBranch; waveletBranch; fusionLayers]);
    
    % 合并两个分支的输出
    mcnn = connectLayers(mcnn, 'timePool2', 'fusionConv');
    mcnn = connectLayers(mcnn, 'wavePool2', 'fusionConv');
end

%% 自定义函数: 多尺度特征提取
function [timeFeatures, waveletFeatures] = multiScaleFeatureExtraction(signals, waveletName, level)
    [numSamples, signalLength] = size(signals);
    
    % 1. 时域特征提取
    timeFeatures = zeros(numSamples, signalLength);
    for i = 1:numSamples
        % 归一化处理
        timeFeatures(i,:) = normalize(signals(i,:), 'range');
    end
    
    % 2. 小波变换特征提取
    waveletFeatures = zeros(numSamples, signalLength);
    for i = 1:numSamples
        % 执行小波分解
        [C, L] = wavedec(signals(i,:), level, waveletName);
        
        % 重构信号
        waveletReconstruct = waverec(C, L, waveletName);
        
        % 提取小波特征
        waveletFeatures(i,:) = normalize(waveletReconstruct, 'range');
    end
end

%% 自定义函数: 准备MCNN输入数据
function [XTime, XWavelet, Y] = prepareDataForMCNN(timeFeatures, waveletFeatures, labels, dataLength)
    numSamples = size(timeFeatures, 1);
    
    % 重塑时域特征为图像格式
    XTime = zeros(dataLength, 1, 1, numSamples);
    for i = 1:numSamples
        if length(timeFeatures(i,:)') < dataLength
            XTime(:,1,1,i) = [timeFeatures(i,:)'; zeros(dataLength-length(timeFeatures(i,:)'), 1)];
        else
            XTime(:,1,1,i) = timeFeatures(i,:)'(1:dataLength);
        end
    end
    
    % 重塑小波特征为图像格式
    XWavelet = zeros(dataLength, 1, 1, numSamples);
    for i = 1:numSamples
        if length(waveletFeatures(i,:)') < dataLength
            XWavelet(:,1,1,i) = [waveletFeatures(i,:)'; zeros(dataLength-length(waveletFeatures(i,:)'), 1)];
        else
            XWavelet(:,1,1,i) = waveletFeatures(i,:)'(1:dataLength);
        end
    end
    
    % 转换标签为分类器格式
    Y = categorical(labels);
end

%% 自定义函数: 可视化多特征
function visualizeMultiFeatures(timeFeatures, waveletFeatures, labels)
    figure('Name', '多特征可视化');
    numSamples = min(size(timeFeatures, 1), 5);
    classes = {'正常', '内圈故障', '外圈故障', '滚动体故障'};
    
    for i = 1:numSamples
        % 时域特征
        subplot(numSamples, 2, 2*i-1);
        plot(1:length(timeFeatures(i,:)), timeFeatures(i,:), 'LineWidth', 1.5);
        title(['样本 ', num2str(i), ' - 时域特征 - ', classes{labels(i)}]);
        xlabel('时间点');
        ylabel('幅值');
        grid on;
        
        % 小波特征
        subplot(numSamples, 2, 2*i);
        plot(1:length(waveletFeatures(i,:)), waveletFeatures(i,:), 'LineWidth', 1.5);
        title(['样本 ', num2str(i), ' - 小波特征 - ', classes{labels(i)}]);
        xlabel('时间点');
        ylabel('幅值');
        grid on;
    end
    
    sgtitle('时域与小波变换特征对比', 'FontSize', 14);
    tight_layout;
end    

该代码实现了一个基于多通道卷积神经网络 (MCNN) 的轴承故障诊断系统，主要改进在于：

1. 多特征融合架构：同时处理原始时域信号和小波变换后的频域特征，通过双分支网络分别提取特征
2. MCNN 网络设计：构建了两个独立的 CNN 分支，分别处理时域和频域数据，然后融合特征进行分类
3. 增强特征表示：结合了时域波形特征和小波变换提取的时频特征，更全面地描述轴承故障特性

与单通道 CNN 相比，MCNN 能够从多个维度捕获故障特征，提高诊断准确率，特别是对早期微弱故障的检测能力。

主要改进点包括：

• 新增多尺度特征提取函数，同时保留时域和小波特征
• 设计了双分支 MCNN 模型，分别处理不同类型的特征
• 实现了多输入数据准备函数，支持多通道网络输入
• 增强了特征可视化功能，便于分析不同特征的诊断效果

该系统同样支持识别四种轴承状态：正常、内圈故障、外圈故障和滚动体故障，且具有更好的鲁棒性和泛化能力。

完整代码请跳转“轴承故障诊断-MCNN-基于小波变换-MATLAB”