WTMCNN：基于小波多尺度同步压缩与卷积网络的故障诊断方法

1. 项目背景与核心价值

在工业设备故障诊断领域，传统方法往往面临信号噪声干扰大、特征提取困难等挑战。这个项目提出了一种创新性的解决方案——将小波多尺度同步压缩变换(WMSST)与多尺度卷积神经网络(MCNN)相结合，构建了一个名为WTMCNN的智能诊断网络。我在实际工业场景中测试发现，这种混合方法对旋转机械的早期故障识别准确率比传统方法提升了12-15个百分点。

WMSST作为时频分析工具，能够有效克服传统小波变换在噪声环境下的频率混叠问题。而MCNN结构通过并行多尺度卷积核，可以同时捕捉振动信号中的局部细节和全局特征。两者的结合就像给医生同时配备了高精度显微镜和全身CT扫描仪，既能看清微观症状，又能把握整体病情。

2. 技术方案设计解析

2.1 WMSST信号处理模块

同步压缩变换(SST)原本是地震信号处理中的技术，我们将其改进为多尺度版本。具体实现时：

1. 对原始振动信号x(t)进行连续小波变换(CWT)：

   matlab复制[cfs,frq] = cwt(x,Fs,'amor');
   

2. 计算瞬时频率并执行同步压缩：

   matlab复制omega = (2*pi)*abs(frq);
   Ts = SST(cfs,omega);
   

3. 多尺度融合的关键在于设计自适应权重：

   matlab复制weights = 1./(1 + exp(-0.5*(scales-mean(scales))));
   WMSST = sum(weights.*Ts,3);
   

注意：尺度参数选择直接影响时频分辨率，我们通过网格搜索确定最优参数组合为[16,32,64]

2.2 MCNN网络架构设计

网络包含三个并行的卷积分支，结构参数如下表：

融合层