目录

MATLAB实现基于CWT-CNN-GRU基于连续小波变换（CWT）结合卷积门控循环单元（CNN-GRU）进行故障诊断     1

请注意此篇内容只是一个项目介绍 更多详细内容可直接联系博主本人    或者访问对应标题的完整博客或者文档下载页面（含完整的程序，GUI设计和代码详解）... 2

项目目标与意义... 3

提升故障识别准确率与早期诊断能力... 3

实现端到端智能故障诊断流程... 3

探索时频分析与深度时序网络融合机制... 4

构建可扩展、可迁移的诊断模型框架... 4

项目挑战及解决方案... 4

非平稳信号特性与复杂噪声环境... 4

深度模型结构设计与训练稳定性... 5

工程实现与MATLAB环境兼容性... 5

项目模型架构... 5

连续小波变换时频特征构建模块... 6

CNN时频图特征提取模块... 6

GRU时序依赖建模与融合模块... 6

分类输出与损失计算模块... 7

数据预处理与训练策略模块... 7

项目模型描述及代码示例... 7

原始振动信号读取与预处理示例... 7

连续小波变换与时频图构建示例... 8

批量CWT特征图生成与数据集构建示例... 9

网络训练参数设置与训练示例... 11

模型测试与性能评估示例... 11

MATLAB实现基于CWT-CNN-GRU基于连续小波变换（CWT）结合卷积门控循环单元（CNN-GRU）进行故障诊断

请注意此篇内容只是一个项目介绍 更多详细内容可直接联系博主本人 

 或者访问对应标题的完整博客或者文档下载页面（含完整的程序，GUI设计和代码详解）

旋转机械、电力设备与工业生产线在现代工业体系中处于核心地位，一旦关键部件出现故障，往往会造成停产、设备损坏乃至安全事故。传统的点检和预防性维护方式主要依靠定期人工检测与经验判断，具有周期长、反应慢和主观性强等不足。伴随传感技术、数据采集设备和智能算法的快速发展，基于振动信号、声音信号、电流信号等多源数据的智能故障诊断方法逐渐成为研究与工程应用热点。尤其是在工业4.0和智能制造的背景下，设备状态监测与故障诊断的智能化、在线化和实时化已成为实现预测性维护的重要基础环节。

在机械设备运行过程中，故障的产生和演化往往会造成系统动力学特性和能量分布的改变，这些变化往往体现在振动信号的时频特征上。传统信号处理方法如傅里叶变换能够揭示频率成分，却难以表达非平稳信号在时间维度上的局部特征。而工业设备故障信号具有显著的非线性、非平稳特性，例如滚动轴承早期点蚀、齿轮局部裂纹、电机转子不平衡等故障类型往往表现为瞬态冲击、周期性调制和幅值波动，这些现象在频域或时域单一视角下难以全面刻画。为了精细刻画故障特征，连续小波变换（CWT）凭借其良好的时频局部化能力，可以在多尺度上分析信号，将一维时序数据映射为二维时频谱图，为后续引入深度学习提供良好的输入形式。

在深度学习快速发展的背景下，卷积神经网络（CNN）在图像分类与识别领域取得了显著成绩，能够自动从数据中提取多层次、多尺度的空间特征。将振动信号经连续小波变换得到的时频图视为“图像”，可以借助卷积神经网络对时频分布进行深度特征提取，从而避免复杂的人工特征设计。与此同步，门控循环单元（GRU）作为一种高效的循环神经网络结构，在处理时间序列、捕捉长短期依赖方面表现出色，能够在减少参数数量和计算复杂度的同时，保留关键的记忆能力。许多机械故障诊断问题不仅依赖于某一时刻的局部特征，还与历史状态的变化趋势密切相关，因此在卷积特征基础上进一步引入GRU结构，用于建模时序特征演化，具有明显优势。

基于连续小波变换与深度学习结合的故障诊断方法可以视作一种“时频分析+端到端识别”的范式，其中CWT负责将原始振动信号映射到时频空间，CNN负责从时频图中抽取高维判别特征，GRU则负责融合时序关联信息并进行最终分类。CWT-CNN-GRU的一体化架构不仅能够兼顾时域、频域与时频域信息，还能通过深度网络自动完成特征学习与故障分类，减少对人工先验知识和人为经验的依赖，适用于复杂工况、多类型故障和强噪声环境。

在工程实践中，数据采集频率差异、大量噪声干扰、工况变化、负载波动等因素会导致振动信号呈现复杂多变的特征模式。传统基于固定阈值或少量手工特征的诊断方法难以适应这种复杂性。CWT-CNN-GRU方案通过在大样本数据上进行训练，可以自动学习在不同工况下对故障区分最敏感的特征组合，提高模型的泛化能力和鲁棒性。尤其是连续小波变换提供的多尺度分解能力，使得模型能够同时感知低频缓慢变化和高频瞬态冲击，为识别轻微早期故障创造条件。

在MATLAB R2025b环境下构建基于CWT-CNN-GRU的故障诊断流程，可以充分利用MATLAB在信号处理、可视化和深度学习建模方面的成熟工具。通过信号预处理、小波变换、时频图构造、网络设计、模型训练与性能评估，可以形成一套可复现的完整实验流程，为工业设备状态监测与智能诊断提供技术支撑。此类研究不仅具有一定的理论研究价值，而且对于提升工业系统的运维效率、降低维护成本和避免重大安全事故具有重要的工程意义。

在这一背景下，基于连续小波变换的时频分析与CNN-GRU深度网络融合的故障诊断方法，正逐渐成为振动信号分析与智能维护领域的重要方向。本项目围绕CWT-CNN-GRU的完整流程展开，从数据准备、信号分析到模型构建与验证，给出详细的思路与MATLAB实现示例，为后续开展更复杂的工程应用提供参考框架与实践基础。

项目目标与意义

提升故障识别准确率与早期诊断能力

在工业设备运维中，早期故障往往幅值较小、特征不明显，容易淹没在背景噪声与正常工况波动之中，传统频谱分析或少量统计特征方法难以在早期阶段对其进行稳定识别。本项目基于连续小波变换构建高分辨率时频图，将原始一维振动信号映射为二维时频图像，通过多尺度小波基对瞬态冲击与局部特征进行强化表达。随后引入CNN层对时频图执行多层卷积与池化操作，自动学习具有高度判别性的局部时频模式；在此基础上整合GRU结构，进一步挖掘特征随时间维度的演化关系，从而更准确地区分不同故障类型及不同故障严重程度。整体目标在于显著提升故障诊断的识别精度、召回率与鲁棒性，尤其关注在复杂噪声环境及多工况条件下保持稳定性能，使模型能够在实际工程应用中实现可靠的在线监测与早期预警。

实现端到端智能故障诊断流程

传统故障诊断通常需要多个分离模块，包括信号预处理、特征提取、特征选择和分类器设计，各环节之间耦合度较低且依赖经验参数。本项目目标之一是构建一个尽量端到端的一体化故障诊断框架，将连续小波变换、深度特征提取与时序建模有机整合，形成从原始振动信号到故障类别输出的完整链路。通过在MATLAB中构建自动化脚本，实现数据读取、预处理、CWT变换、图像生成、CNN-GRU网络训练与模型评估的统一流程，减少对手工干预和参数调整的依赖。这种端到端模式有助于在工业现场实现自动化部署和在线运行，使维护人员可以直接面对模型输出的诊断结果和置信度，无需深度参与底层信号分析，大幅降低使用门槛并提高部署效率。

探索时频分析与深度时序网络融合机制

连续小波变换能够提供信号在时间和尺度（频率）上的联合分布，而CNN擅长提取图像空间结构特征，GRU则面对时间序列具有良好的记忆能力。本项目的另一重要目标是系统探索CWT时频图特征与CNN-GRU网络之间的融合机制，分析不同小波基、不同尺度分辨率、不同卷积层配置与不同GRU结构对最终故障诊断效果的影响。通过在MATLAB中搭建灵活可调的网络结构与训练脚本，便于从多角度对比不同配置的性能表现，提炼出一套对工业振动信号较为有效的参数配置与结构设计思路。该目标不仅服务于当前项目的模型优化，也为后续将类似思想扩展到电流信号、声学信号和多传感器融合提供理论与实践参考。

构建可扩展、可迁移的诊断模型框架

工业现场的设备类型多种多样，工况变化频繁，单一场景下训练的故障诊断模型往往难以直接迁移到其他设备或其他工况。本项目致力于在MATLAB环境中构建具有一定通用性和扩展性的CWT-CNN-GRU诊断框架，为后续迁移学习、多工况自适应诊断和多设备统一诊断提供基础接口。通过模块化的代码组织方式，使数据预处理、CWT参数设置、网络结构定义与训练配置相对独立，以便针对不同设备和新故障类型进行快速重用与调整，同时可以在新数据场景中进行微调训练，实现模型迁移与持续学习。这样一套可扩展框架，有助于在企业层面构建统一的设备健康管理平台，为长期运维和技术迭代打下坚实基础，具有较高的工程与应用价值。

项目挑战及解决方案

非平稳信号特性与复杂噪声环境

工业设备在不同转速、不同负载和不同工况下运行时，振动信号常常表现为非平稳特性，频率成分随时间变化，且多种故障与正常运行信号叠加于强背景噪声之中，给信号分析带来难度。故障早期产生的微弱冲击往往被高能量的正常信号掩盖，使基于传统傅里叶变换的频谱分析难以发现这些隐含特征。针对这一挑战，项目采用连续小波变换作为核心时频分析工具，通过多尺度分解对信号进行分层表示，从而在不同时间尺度上观察局部能量变化。具体做法包括：为所处理的振动信号选择合适的小波基（如Morlet或cmor系列），结合采样频率与故障频率特征合理设置尺度范围与频率分辨率，以确保对主要故障频段有足够精度的刻画；利用CWT输出的复值系数计算时频能量谱，并在时频平面上突出高能量瞬态区域。为抑制噪声影响，可以在时频图生成环节加入归一化、对数幅值压缩或阈值处理，使得微弱但结构稳定的冲击特征更加突出。通过这种方式，非平稳信号中的故障信息得以在时频图上清晰呈现，为后续CNN特征提取与GRU时序建模提供高质量输入，显著缓和噪声与非平稳性带来的挑战。

深度模型结构设计与训练稳定性

CWT-CNN-GRU架构涉及多种模块：时频图构造、卷积特征提取、时序建模与分类输出，网络结构不当时容易出现过拟合、收敛缓慢或梯度不稳定等问题。同时，工业振动数据的样本数量、类别分布和工况多样性会直接影响模型训练效果。为此项目在模型结构设计和训练策略上进行针对性优化。网络结构方面，控制卷积层和GRU单元的规模，使网络在具有足够表达能力的同时不过分庞大，避免在样本数量有限时出现严重过拟合；卷积部分采用较小卷积核及多层堆叠方式，配合批归一化和非线性激活函数，提高特征表达的稳定性与泛化性；GRU部分通过合理设置隐藏单元数和层数，兼顾记忆能力与计算复杂度。训练策略方面，引入数据增强与合理的训练集、验证集划分以改善泛化能力，在MATLAB训练函数中配置合适的学习率、最大迭代次数和MiniBatchSize，防止过快或过慢的收敛。此外，通过观察训练过程中的损失曲线和准确率曲线，适时调节学习率、正则化强度和网络超参数，以获取稳定可靠的训练结果，从而有效克服深度模型训练中的不稳定性问题。

工程实现与MATLAB环境兼容性

在MATLAB R2025b环境下实现CWT-CNN-GRU架构，需要兼顾信号处理函数、深度学习工具箱以及版本特性带来的限制。例如某些界面构建函数被限制或替代，某些深度学习层类型不存在，需要在既有层的组合下实现所需功能；此外，训练过程中的可视化、混淆矩阵展示等功能也需要遵循当前版本的接口规范。项目在工程实现层面采用脚本化方式组织流程，避免依赖已不推荐使用的UI组件；在时频图生成方面使用cwt函数与标准绘图函数，控制Colorbar与Colormap的用法以符合R2025b语法要求。在深度学习部分，使用现有的卷积层、批归一化层、ReLU层、GRU层、全连接层和分类层构建网络结构，训练时通过trainingOptions与trainNetwork进行配置与优化。对于混淆矩阵等结果可视化，采用confusionchart并配合正确的图窗与色图设置。通过充分了解R2025b版本特性，将信号处理模块与深度学习模块紧密衔接，构建流畅的CWT-CNN-GRU故障诊断实验环境，确保脚本可顺利运行，便于在不同数据集与不同工况下重复实验和对比分析。

项目模型架构

连续小波变换时频特征构建模块

模型最前端是连续小波变换时频特征构建模块，负责将原始振动信号从一维时序空间映射到二维时频空间。连续小波变换通过对信号与小波基函数进行平移与伸缩，对不同时间与不同尺度下的信号局部特征进行分解，从而构建出时序与频率同时具有局部化特征的能量分布。具体原理上，连续小波变换通过将小波基函数沿时间轴移动并缩放尺度，实现对信号的多尺度分解；尺度与频率之间具有可逆映射，尺度较大对应低频，尺度较小对应高频。因此在实际应用中可以根据采样频率和设备故障特征频率选择适合的尺度范围，确保在容易出现故障特征的频段具有足够的分辨率。利用MATLAB cwt函数可直接获得CWT系数矩阵与对应频率向量，通过对系数幅度平方或绝对值进行可视化，可以得到类似二维图像的时频能量谱。该模块的目标在于将非平稳振动信号的时间结构与频率结构融合在统一的时频平面，突出冲击事件、周期性调制和调频特征，为后续卷积神经网络的图像特征提取提供清晰、含义丰富的输入数据。

CNN时频图特征提取模块

卷积神经网络部分承担对时频图进行空间特征提取的任务。CWT生成的时频图可以视作单通道或多通道“图像”，每一个像素代表在某一时间与某一频率下的能量或幅值。CNN通过卷积核在局部区域滑动，对局部结构进行加权求和并加上偏置，然后通过非线性激活函数引入非线性表达能力，从而在低层捕捉纹理、边缘、局部能量集中等基础特征，在高层抽象出更复杂的模式。卷积层通常配合批归一化和ReLU激活，以提高训练稳定性和加快收敛速度，而池化层用于降低特征图维度、减少参数量并增强对局部平移的鲁棒性。在CWT-CNN-GRU架构中，CNN部分扮演“高维特征编码器”的角色，用于从时频图中自动提取与故障类别相关性最强的模式，如特定频带能量增强、准周期冲击在频带上的投影、调制侧带结构等。通过恰当设计卷积层数、卷积核大小与通道数，使CNN能够兼顾局部细节与整体结构特征，为GRU的后续时序建模提供紧凑且表征能力强的特征序列。

GRU时序依赖建模与融合模块

门控循环单元GRU是一种简化的循环神经网络结构，使用更新门与重置门来控制信息流动，从而保留关键历史状态并丢弃不重要的历史信息。与标准LSTM相比，GRU具有更少的门结构和参数，在训练速度与性能之间取得良好平衡。在CWT-CNN-GRU架构中，GRU层放置于CNN特征抽取之后，用于对卷积特征在时间维度上的变化进行建模。具体而言，经过CNN与适当的维度重排后，可以获得按时间索引排列的特征向量序列，GRU通过循环结构对这些特征序列进行处理，逐步更新内部隐藏状态，从而捕捉跨时间的模式如故障演化趋势、周期性冲击间隔变化、故障严重度发展等。GRU输出的最终隐藏状态或完整时间序列特征可进一步输入全连接层与分类层，输出不同故障类别的概率分布。该模块使模型不仅关注不同时间局部的时频空间结构，也关心这些局部结构在时间维度上的关联与延续，提升对复杂工况下动态故障行为的识别能力。

分类输出与损失计算模块

在CNN与GRU模块之后，网络需要将抽象特征映射为具体的故障类别预测结果。通常通过一到两层全连接层将高维特征映射到类别数维度，随后通过softmax或其他归一化函数将输出转化为各类别的概率分布。分类层负责计算预测结果与真实标签之间的损失值，常用交叉熵损失衡量模型输出与真实分布的差异。在训练过程中，通过反向传播算法将损失梯度传递回CNN与GRU各层，更新网络参数，以使模型在训练集上的分类性能逐步提升。分类输出模块不仅承担预测功能，还可以用于评估模型的置信度，便于工程应用中对低置信度预测进行人工审核或触发进一步检查。对于多类故障识别任务，该模块还可以支持混淆矩阵分析，帮助分析容易混淆的故障类型，为调整CWT参数或网络结构提供依据，提高整体诊断效果。

数据预处理与训练策略模块

整个CWT-CNN-GRU模型架构离不开合理的数据预处理与训练策略支持。数据预处理模块的任务包括数据读取、去趋势、滤波、归一化、分段与标注等步骤，确保输入信号质量良好且样本分布合理。在生成时频图之前，需要根据采样频率和分析目标选择合适的时间窗长度和分段方式，以保证每段信号能够包含足够的故障特征信息，并通过分段扩增有效样本数量。训练策略模块主要针对网络训练过程中的关键超参数进行配置，包括学习率、动量、MiniBatchSize、最大训练轮数、验证集比例与早停策略等。通过合适的训练策略，可以加快收敛并减少过拟合风险。该模块还可以整合数据增强技术，例如对原始振动信号进行轻微平移、加噪、幅值缩放等操作，提高模型对实际工况波动的适应性。数据预处理与训练策略模块与CWT-CNN-GRU主结构紧密协同，构成完整的故障诊断系统架构，使模型能够在MATLAB环境中稳定运行并取得良好的诊断性能。

项目模型描述及代码示例

原始振动信号读取与预处理示例
clear; % 清空工作区，释放已有变量，确保后续处理不受历史数据干扰

rawDataStruct = load(dataFile); % 从mat文件加载结构数据，MATLAB会将文件中的变量放入结构中
fs = rawDataStruct.fs; % 提取采样频率fs，用于后续小波变换和时间轴构建等操作

signalRaw = signalRaw(:); % 将输入信号强制转换为列向量形式，便于矩阵运算和函数调用
t = (0:numel(signalRaw)-1)'/fs; % 构建与信号等长的时间向量，单位为秒，用于可视化时间波形

signalMean = mean(signalRaw); % 计算原始信号的均值，用于去除直流偏置分量

hpFilt = designfilt('highpassiir','FilterOrder',4, ... % 设计四阶高通IIR滤波器，用于去除低频趋势
    'HalfPowerFrequency',10,'SampleRate',fs); % 设定高通截止频率为10Hz，以滤除结构慢变和低频干扰
signalFiltered = filtfilt(hpFilt,signalDetrended); % 使用零相位滤波对信号进行前后向滤波，避免相位失真


segmentLength = round(segmentDuration * fs); % 将时长转换为采样点数，确保分段长度与采样率匹配
numSegments = floor(numel(signalNorm) / segmentLength); % 计算可整齐切分的信号段数量，丢弃尾部不完整段
signalSegments = reshape(signalNorm(1:numSegments*segmentLength), ... % 将归一化信号截取至完整段长度后重排为矩阵
    segmentLength, numSegments); % 每列为一段长度为segmentLength的信号，方便逐段处理
labels = categorical(labels); % 将标签转换为分类类型，方便后续用于分类训练
连续小波变换与时频图构建示例
sampleIndex = 1; % 选择第1段信号作为示例，用于演示连续小波变换过程
[cfs,frequencies] = cwt(xSeg,fs); % 对该段信号执行连续小波变换，返回复值系数矩阵及对应频率向量
cfsAbs = abs(cfs); % 对小波系数取幅值，表示各时间和频率位置的局部能量强度
cfsPower = cfsAbs.^2; % 计算系数的能量谱，即幅值平方，用于时频能量图可视化

figTF = figure; % 创建新图窗，用于绘制时频图，便于观察CWT结果
imagesc(timeAxis,freqAxis,cfsPower); % 使用imagesc函数绘制能量矩阵，横轴时间、纵轴频率、颜色表示能量
xlabel('Time (s)'); % 设置横轴标签为时间，以秒为单位，便于理解信号位置
ylabel('Frequency (Hz)'); % 设置纵轴标签为频率，以Hz为单位，反映各频带成分
colormap(figTF,turbo); % 将当前图窗的颜色映射设置为turbo，提高对比度和视觉效果
colorbar; % 显示颜色条，以便根据颜色估计能量强弱分布
imgWidth = 128; % 设定目标时频图像宽度为128像素，形成128×128的标准图像尺寸

tfImage = single(cfsPowerResized); % 将图像数据转换为单精度浮点数，兼容深度学习输入格式
tfImage = reshape(tfImage,[imgHeight imgWidth 1]); % 将二维图像扩展为三维数组，第三维为单通道数量
批量CWT特征图生成与数据集构建示例
numSamples = numSegments; % 将样本数量设为分段数量，每段信号对应一个样本
tfImages = zeros(imgHeight,imgWidth,1,numSamples,'single'); % 预分配4维数组存储全部样本的时频图像，类型为单精度
for i = 1:numSamples % 遍历每一个分段样本，逐段计算CWT时频图
    xSeg = signalSegments(:,i); % 提取当前第i段振动信号作为CWT输入
    cfsPowerNorm = cfsPower / max(cfsPower(:)); % 将当前时频能量矩阵归一化，避免数值范围过大
    tfImages(:,:,1,i) = single(cfsPowerResized); % 将生成的单通道图像存入4维数组的第i个样本位置
end

numClasses = numel(categories(labels)); % 统计标签中不同类别数量，用于后续定义网络输出维度

trainIdx = training(cv); % 获取训练集索引逻辑向量，用于提取训练数据
testIdx = test(cv); % 获取测试集索引逻辑向量，用于提取测试数据
XTrain = tfImages(:,:,:,trainIdx); % 从全部时频图像中挑选训练样本，构成训练特征集
YTrain = labels(trainIdx); % 提取训练样本对应标签，构成训练标签集
YTest = labels(testIdx); % 提取测试样本对应标签，构成测试标签集
inputLayer = imageInputLayer([imgHeight imgWidth 1], ... % 定义图像输入层，尺寸为128×128×1的单通道时频图

conv1 = convolution2dLayer(3,16,'Padding','same','Name','conv1'); % 定义第一卷积层，卷积核大小3×3，输出通道16，保持尺寸
bn1 = batchNormalizationLayer('Name','bn1'); % 添加批归一化层，用于稳定训练并加速收敛
relu1 = reluLayer('Name','relu1'); % 添加ReLU激活层，引入非线性并抑制负值

conv2 = convolution2dLayer(3,32,'Padding','same','Name','conv2'); % 定义第二卷积层，输出通道数提高到32以增强特征表达
bn2 = batchNormalizationLayer('Name','bn2'); % 第二批归一化层配合卷积，保持特征分布稳定
relu2 = reluLayer('Name','relu2'); % 第二个ReLU层，为后续层提供非线性激活
pool2 = maxPooling2dLayer(2,'Stride',2,'Name','pool2'); % 第二个池化层继续减小特征图尺寸，降低参数量
conv3 = convolution2dLayer(3,64,'Padding','same','Name','conv3'); % 第三卷积层，输出通道64用以提取更高层次特征
bn3 = batchNormalizationLayer('Name','bn3'); % 第三批归一化层调整激活分布，缓解内部协变量偏移
relu3 = reluLayer('Name','relu3'); % 第三个ReLU激活层，增加网络非线性能力
pool3 = maxPooling2dLayer(2,'Stride',2,'Name','pool3'); % 第三个池化层，进一步缩小空间尺寸，形成紧凑特征

featureSizeH = imgHeight / (2*2*2); % 计算卷积和三次池化后特征图高度，原高度除以三次2倍池化
featureSizeW = imgWidth / (2*2*2); % 计算卷积和三次池化后特征图宽度，同样除以三次2倍池化
featureSizeW = floor(featureSizeW); % 使用floor保证得到整数宽度，避免尺寸不匹配
featureChannels = 64; % 记录最后一层卷积输出通道数64，作为特征通道维度
fcToSeqDim = fullyConnectedLayer(featureSizeH,'Name','fc_to_seq'); % 添加全连接层将特征向量映射到长度为featureSizeH的序列维度
seqInputSize = featureSizeH; % 将GRU输入特征维度设置为featureSizeH，对应序列中每个时间步的特征长度
gruHiddenUnits = 64; % 设置GRU隐藏单元数量为64，兼顾记忆能力与计算开销


fcClass = fullyConnectedLayer(numClasses,'Name','fc_class'); % 添加全连接分类层，将GRU输出映射到类别数维度
softmaxLayer1 = softmaxLayer('Name','softmax'); % 添加softmax层，将线性输出转换为类别概率分布

layers = [ ...
    inputLayer; % 将输入层作为网络起始，接受时频图像数据
    conv1;bn1;relu1;pool1; % 第一组卷积、归一化、激活与池化，提取低层特征
    conv2;bn2;relu2;pool2; % 第二组卷积与池化，提取中层特征并缩小尺寸
    conv3;bn3;relu3;pool3; % 第三组卷积与池化，提取高层特征
    flattenLayer; % 展平特征图，为连接全连接层和GRU做准备
    fcToSeqDim; % 将展平特征映射到序列维度，使其可作为GRU输入
    gruLayer1; % GRU层建模时序依赖，输出汇总的隐藏状态
    fcClass; % 全连接分类层，将GRU输出映射到各故障类别
    classOutput]; % 分类输出层，定义损失函数和评价标准
网络训练参数设置与训练示例
miniBatchSize = 32; % 设置每个小批量的样本数量为32，在训练速度与梯度稳定之间取得平衡

cvTrain = cvpartition(YTrain,'HoldOut',valFraction); % 使用留出方式从训练集划分验证集
idxTrainSub = training(cvTrain); % 获取子训练集索引，用于实际参与梯度更新的样本
idxVal = test(cvTrain); % 获取验证集索引，用于在训练过程中评估性能

XTrainSub = XTrain(:,:,:,idxTrainSub); % 提取子训练集的时频图特征，用于网络训练
YTrainSub = YTrain(idxTrainSub); % 提取子训练集对应标签
XValidation = XTrain(:,:,:,idxVal); % 提取验证集时频图特征
YValidation = YTrain(idxVal); % 提取验证集标签
    'MiniBatchSize',miniBatchSize, ... % 设置小批量大小为32，对应前面定义的参数
    'MaxEpochs',maxEpochs, ... % 最大训练轮数30，确保网络充分迭代
    'InitialLearnRate',initialLearnRate, ... % 初始学习率设定为0.001，用于控制参数更新幅度
    'Shuffle','every-epoch', ... % 每个训练轮次打乱训练数据顺序，提升泛化能力
    'ValidationData',{XValidation,YValidation}, ... % 指定验证集数据，用于训练过程中性能评估
    'Verbose',true, ... % 打开详细训练信息输出，观察损失和准确率变化
    'Plots','training-progress'); % 显示训练过程曲线图，帮助判断收敛情况

模型测试与性能评估示例

disp(['Test Accuracy: ',num2str(testAccuracy*100,'%.2f'),'%']); % 在命令窗口输出测试准确率百分比，保留两位小数
figConf = figure; % 创建新图窗用于绘制混淆矩阵，便于分析分类结果
cm = confusionchart(YTest,YPred); % 根据真实标签与预测标签构造混淆矩阵图表对象cm
cm.Title = 'Confusion Matrix of CWT-CNN-GRU Fault Diagnosis'; % 设置混淆矩阵标题，说明其对应CWT-CNN-GRU模型结果
cm.RowSummary = 'row-normalized'; % 将行汇总方式设置为归一化，分析每类真实标签预测分布情况
colormap(figConf,turbo); % 为混淆矩阵图窗设置turbo色图，提高色彩可辨性和视觉效果

原始振动信号读取与预处理示例

clear; % 清空工作区，释放已有变量，确保后续处理不受历史数据干扰

rawDataStruct = load(dataFile); % 从mat文件加载结构数据，MATLAB会将文件中的变量放入结构中

fs = rawDataStruct.fs; % 提取采样频率fs，用于后续小波变换和时间轴构建等操作

signalRaw = signalRaw(:); % 将输入信号强制转换为列向量形式，便于矩阵运算和函数调用

t = (0:numel(signalRaw)-1)'/fs; % 构建与信号等长的时间向量，单位为秒，用于可视化时间波形

signalMean = mean(signalRaw); % 计算原始信号的均值，用于去除直流偏置分量

hpFilt = designfilt('highpassiir','FilterOrder',4, ... % 设计四阶高通IIR滤波器，用于去除低频趋势

    'HalfPowerFrequency',10,'SampleRate',fs); % 设定高通截止频率为10Hz，以滤除结构慢变和低频干扰

signalFiltered = filtfilt(hpFilt,signalDetrended); % 使用零相位滤波对信号进行前后向滤波，避免相位失真

segmentLength = round(segmentDuration * fs); % 将时长转换为采样点数，确保分段长度与采样率匹配

numSegments = floor(numel(signalNorm) / segmentLength); % 计算可整齐切分的信号段数量，丢弃尾部不完整段

signalSegments = reshape(signalNorm(1:numSegments*segmentLength), ... % 将归一化信号截取至完整段长度后重排为矩阵

    segmentLength, numSegments); % 每列为一段长度为segmentLength的信号，方便逐段处理

labels = categorical(labels); % 将标签转换为分类类型，方便后续用于分类训练

连续小波变换与时频图构建示例

sampleIndex = 1; % 选择第1段信号作为示例，用于演示连续小波变换过程

[cfs,frequencies] = cwt(xSeg,fs); % 对该段信号执行连续小波变换，返回复值系数矩阵及对应频率向量

cfsAbs = abs(cfs); % 对小波系数取幅值，表示各时间和频率位置的局部能量强度

cfsPower = cfsAbs.^2; % 计算系数的能量谱，即幅值平方，用于时频能量图可视化

figTF = figure; % 创建新图窗，用于绘制时频图，便于观察CWT结果

imagesc(timeAxis,freqAxis,cfsPower); % 使用imagesc函数绘制能量矩阵，横轴时间、纵轴频率、颜色表示能量

xlabel('Time (s)'); % 设置横轴标签为时间，以秒为单位，便于理解信号位置

ylabel('Frequency (Hz)'); % 设置纵轴标签为频率，以Hz为单位，反映各频带成分

colormap(figTF,turbo); % 将当前图窗的颜色映射设置为turbo，提高对比度和视觉效果

colorbar; % 显示颜色条，以便根据颜色估计能量强弱分布

imgWidth = 128; % 设定目标时频图像宽度为128像素，形成128×128的标准图像尺寸

tfImage = single(cfsPowerResized); % 将图像数据转换为单精度浮点数，兼容深度学习输入格式

tfImage = reshape(tfImage,[imgHeight imgWidth 1]); % 将二维图像扩展为三维数组，第三维为单通道数量

批量CWT特征图生成与数据集构建示例

numSamples = numSegments; % 将样本数量设为分段数量，每段信号对应一个样本

tfImages = zeros(imgHeight,imgWidth,1,numSamples,'single'); % 预分配4维数组存储全部样本的时频图像，类型为单精度

for i = 1:numSamples % 遍历每一个分段样本，逐段计算CWT时频图

    xSeg = signalSegments(:,i); % 提取当前第i段振动信号作为CWT输入

    cfsPowerNorm = cfsPower / max(cfsPower(:)); % 将当前时频能量矩阵归一化，避免数值范围过大

    tfImages(:,:,1,i) = single(cfsPowerResized); % 将生成的单通道图像存入4维数组的第i个样本位置

end

numClasses = numel(categories(labels)); % 统计标签中不同类别数量，用于后续定义网络输出维度

trainIdx = training(cv); % 获取训练集索引逻辑向量，用于提取训练数据

testIdx = test(cv); % 获取测试集索引逻辑向量，用于提取测试数据

XTrain = tfImages(:,:,:,trainIdx); % 从全部时频图像中挑选训练样本，构成训练特征集

YTrain = labels(trainIdx); % 提取训练样本对应标签，构成训练标签集

YTest = labels(testIdx); % 提取测试样本对应标签，构成测试标签集

inputLayer = imageInputLayer([imgHeight imgWidth 1], ... % 定义图像输入层，尺寸为128×128×1的单通道时频图

conv1 = convolution2dLayer(3,16,'Padding','same','Name','conv1'); % 定义第一卷积层，卷积核大小3×3，输出通道16，保持尺寸

bn1 = batchNormalizationLayer('Name','bn1'); % 添加批归一化层，用于稳定训练并加速收敛

relu1 = reluLayer('Name','relu1'); % 添加ReLU激活层，引入非线性并抑制负值

conv2 = convolution2dLayer(3,32,'Padding','same','Name','conv2'); % 定义第二卷积层，输出通道数提高到32以增强特征表达

bn2 = batchNormalizationLayer('Name','bn2'); % 第二批归一化层配合卷积，保持特征分布稳定

relu2 = reluLayer('Name','relu2'); % 第二个ReLU层，为后续层提供非线性激活

pool2 = maxPooling2dLayer(2,'Stride',2,'Name','pool2'); % 第二个池化层继续减小特征图尺寸，降低参数量

conv3 = convolution2dLayer(3,64,'Padding','same','Name','conv3'); % 第三卷积层，输出通道64用以提取更高层次特征

bn3 = batchNormalizationLayer('Name','bn3'); % 第三批归一化层调整激活分布，缓解内部协变量偏移

relu3 = reluLayer('Name','relu3'); % 第三个ReLU激活层，增加网络非线性能力

pool3 = maxPooling2dLayer(2,'Stride',2,'Name','pool3'); % 第三个池化层，进一步缩小空间尺寸，形成紧凑特征

featureSizeH = imgHeight / (2*2*2); % 计算卷积和三次池化后特征图高度，原高度除以三次2倍池化

featureSizeW = imgWidth / (2*2*2); % 计算卷积和三次池化后特征图宽度，同样除以三次2倍池化

featureSizeW = floor(featureSizeW); % 使用floor保证得到整数宽度，避免尺寸不匹配

featureChannels = 64; % 记录最后一层卷积输出通道数64，作为特征通道维度

fcToSeqDim = fullyConnectedLayer(featureSizeH,'Name','fc_to_seq'); % 添加全连接层将特征向量映射到长度为featureSizeH的序列维度

seqInputSize = featureSizeH; % 将GRU输入特征维度设置为featureSizeH，对应序列中每个时间步的特征长度

gruHiddenUnits = 64; % 设置GRU隐藏单元数量为64，兼顾记忆能力与计算开销

fcClass = fullyConnectedLayer(numClasses,'Name','fc_class'); % 添加全连接分类层，将GRU输出映射到类别数维度

softmaxLayer1 = softmaxLayer('Name','softmax'); % 添加softmax层，将线性输出转换为类别概率分布

layers = [ ...

    inputLayer; % 将输入层作为网络起始，接受时频图像数据

    conv1;bn1;relu1;pool1; % 第一组卷积、归一化、激活与池化，提取低层特征

    conv2;bn2;relu2;pool2; % 第二组卷积与池化，提取中层特征并缩小尺寸

    conv3;bn3;relu3;pool3; % 第三组卷积与池化，提取高层特征

    flattenLayer; % 展平特征图，为连接全连接层和GRU做准备

    fcToSeqDim; % 将展平特征映射到序列维度，使其可作为GRU输入

    gruLayer1; % GRU层建模时序依赖，输出汇总的隐藏状态

    fcClass; % 全连接分类层，将GRU输出映射到各故障类别

    classOutput]; % 分类输出层，定义损失函数和评价标准

网络训练参数设置与训练示例

miniBatchSize = 32; % 设置每个小批量的样本数量为32，在训练速度与梯度稳定之间取得平衡

cvTrain = cvpartition(YTrain,'HoldOut',valFraction); % 使用留出方式从训练集划分验证集

idxTrainSub = training(cvTrain); % 获取子训练集索引，用于实际参与梯度更新的样本

idxVal = test(cvTrain); % 获取验证集索引，用于在训练过程中评估性能

XTrainSub = XTrain(:,:,:,idxTrainSub); % 提取子训练集的时频图特征，用于网络训练

YTrainSub = YTrain(idxTrainSub); % 提取子训练集对应标签

XValidation = XTrain(:,:,:,idxVal); % 提取验证集时频图特征

YValidation = YTrain(idxVal); % 提取验证集标签

    'MiniBatchSize',miniBatchSize, ... % 设置小批量大小为32，对应前面定义的参数

    'MaxEpochs',maxEpochs, ... % 最大训练轮数30，确保网络充分迭代

    'InitialLearnRate',initialLearnRate, ... % 初始学习率设定为0.001，用于控制参数更新幅度

    'Shuffle','every-epoch', ... % 每个训练轮次打乱训练数据顺序，提升泛化能力

    'ValidationData',{XValidation,YValidation}, ... % 指定验证集数据，用于训练过程中性能评估

    'Verbose',true, ... % 打开详细训练信息输出，观察损失和准确率变化

    'Plots','training-progress'); % 显示训练过程曲线图，帮助判断收敛情况

模型测试与性能评估示例

disp(['Test Accuracy: ',num2str(testAccuracy*100,'%.2f'),'%']); % 在命令窗口输出测试准确率百分比，保留两位小数

figConf = figure; % 创建新图窗用于绘制混淆矩阵，便于分析分类结果

cm = confusionchart(YTest,YPred); % 根据真实标签与预测标签构造混淆矩阵图表对象cm

cm.Title = 'Confusion Matrix of CWT-CNN-GRU Fault Diagnosis'; % 设置混淆矩阵标题，说明其对应CWT-CNN-GRU模型结果

cm.RowSummary = 'row-normalized'; % 将行汇总方式设置为归一化，分析每类真实标签预测分布情况

colormap(figConf,turbo); % 为混淆矩阵图窗设置turbo色图，提高色彩可辨性和视觉效果

更多详细内容请访问

http://【机械故障预测】基于LSTM的轴承剩余寿命预测：MATLAB工程化实现与GUI部署MATLAB实现基于长短期记忆网络（LSTM）进行轴承剩余寿命预测的详细项目实例（含完整的程序，GUI设计和代码详解资源-CSDN下载  https://download.csdn.net/download/xiaoxingkongyuxi/92788288

https://download.csdn.net/download/xiaoxingkongyuxi/92788288

https://download.csdn.net/download/xiaoxingkongyuxi/92788288