1. 整体设计与思路拆解1.1 为什么要做时频分析做故障诊断这行最头疼的就是信号不听话。旋转机械的振动信号里故障特征往往藏在非平稳的成分当中——轴承点蚀、齿轮断齿、转子碰磨这些故障触发的瞬态冲击信号频率成分复杂出现的时间又转瞬即逝。你要是只拿傅里叶变换拉一遍频谱只能看到一个平均意义上的频率分布故障冲击到底发生在哪个时刻、以什么形式出现全都丢了。这种情况下的频谱就像一张集体合照你能看出队伍里大体有谁但看不出谁在哪一刻做了什么小动作。短时傅里叶变换STFT解决的就是这个问题。它的思路很直接——把一整段信号切成一个个小窗口对每个窗口分别做傅里叶变换然后把结果按时间顺序排起来。这样一来横轴是时间、纵轴是频率颜色深浅代表能量强弱一张“时频图”就把信号在时间-频率平面上的能量分布完整画出来了。故障特征在时频图上的纹理、形状、位置就成了我们识别故障类型的重要视觉线索。做故障诊断研究的人对STFT应该不陌生。但实际用起来你很快会发现一个尴尬的事实时频图是有了可是“看图说话”这件事人眼尚且需要大量经验积累想让传统算法自动处理这些图更是费劲。时频图不是一张干净的照片里面堆着背景噪声、谐波分量、调制边带手动设计特征去描述它工作量巨大泛化能力还差。这就逼着我们去想能不能让模型自己从时频图里学出有用的特征来1.2 三种技术为什么要“串联”CNN擅长处理图像。一张时频图本质上就是一张二维图像卷积核在局部区域滑动提取纹理、边缘、形状等视觉特征这活儿正好是CNN的强项。用CNN去啃时频图相当于把“看图识故障”这件事交给了一个经验丰富的图像识别专家。但CNN有个先天短板——它擅长捕捉空间特征却不太擅长处理时间序列上的长距离依赖。时频图虽然是二维的但它横轴本身是时间帧与帧之间是有前后逻辑关系的。故障从萌生到发展特征在时间轴上往往是渐变的前面几帧的特征对后面几帧有暗示作用。普通的CNN把每一帧或者每一个局部块当独立的个体来处理忽略了这种前后文联系。循环神经网络RNN家族正好补这块短板。GRU门控循环单元用更新门和重置门来控制信息的保留与遗忘结构比LSTM更精简训练效率更高在振动信号这类中等长度的时序数据上表现尤其稳健。而双向GRU也就是BiGRU多了一条从未来倒推回现在的信息流让模型在某个时刻既能参考过去的特征又能利用未来的信息来确认当前状态。在故障诊断里这很有用——比如某个瞬态冲击的特征可能在前后几帧里才看得完整单向结构只看得见“前半段”双向结构却能前后一对照判断更稳妥。把STFT、CNN、BiGRU串成一个完整流水线思路就是先用STFT把一维振动信号转成二维时频图把时间-频率信息打包好再用CNN从时频图里自动提取局部空间特征完成“看形状”这一步最后把CNN提取到的特征序列喂给BiGRU让模型在时间维度上把前后文关系捋清楚完成“看逻辑”这一步。空间特征加时序逻辑两种信息一叠加故障诊断的准确率和鲁棒性就都不是单模型能比的了。1.3 这套方案解决的核心痛点工业现场做故障诊断最怕两种问题。第一种是故障特征弱——早期故障信号被强背景噪声淹没频谱上根本看不出异常等你听声音、摸温度能发现问题的时候设备损伤已经严重了。第二种是故障类别混淆——轴承内圈故障和外圈故障的特征频率相近齿轮磨损和轴不平衡在某些工况下也容易误判。STFT的时频联合视角能多保留一个维度的信息CNN和BiGRU的组合能在空间和时间两个维度上穷尽特征对这两个痛点都是对症下药。这套方案适合谁参考一是做旋转机械故障诊断方向的研究生需要一套能出对比实验结果的深度学习基线方案二是工业现场的设备健康管理工程师想把手动特征提取的传统诊断系统升级成“数据驱动”的自动诊断方案三是刚接触深度学习但急需落地项目的入门者可以从这套方案里看清楚信号处理与深度模型是如何衔接的。需要说明的是本文后面的实操过程以MATLAB环境为例结合的是深度学习工具箱与并行计算工具箱——这也是工程领域最顺手的一套生态。2. 三大核心模块的原理与工程选型解析2.1 STFT参数到底怎么定STFT最核心的参数有三个窗口函数、窗口长度、重叠率。这三个参数直接决定了时频图的质量而时频图的质量又决定了后续CNN能不能学到干净的特征。很多初学者一上来就用默认值结果时频图上全是横竖条纹模型训出来效果差也不知道该调哪里这就是对参数没概念的表现。窗口函数的选择工程上最常用的是汉宁窗Hann。汉宁窗的特点是在窗口两端平滑衰减到零可以有效抑制频谱泄漏也就是减少因为截断信号而导致的“边缘假频”。矩形窗虽然频率分辨率最好但频谱泄漏严重工程上基本不用。汉明窗和汉宁窗很接近实际差异不大但汉宁窗在谱估计的一致性上略好一些。如果信号里含有很强的连续周期成分比如齿轮啮合频率也可以考虑布莱克曼窗它的旁瓣抑制更强但主瓣更宽频率分辨率略受影响。窗口长度的选择本质上是在时间分辨率和频率分辨率之间做权衡。窗口越长频率分辨率越高能区分开相近的频率但时间分辨率越低故障冲击发生的时刻被模糊了。窗口越短则反过来。振动信号分析里一个可参考的经验法则是窗口长度取信号采样频率的1/100到1/10之间。举个例子如果采样率是12kHz窗口长度可以取256到1024个采样点之间。对于轴承故障这类瞬态冲击特征明显的信号窗口短一点更有利因为冲击持续时间短窗口太长会把冲击特征平均掉。重叠率是另一个容易忽略的细节。窗口滑动时相邻窗口之间通常会有一段重叠区域。重叠率越高时频图在时间方向上越平滑特征连续性越好但计算量也越大。工程上50%到75%都是合理区间。我自己的实操经验是用75%的重叠率时频图看起来最细腻BiGRU读起来也更顺——因为时间帧更密集序列长度更长循环网络能捕获的细节信息更多。注意STFT结果通常以幅度谱或者功率谱的形式作为输入特征。幅度谱的缺点是数值范围较大直接喂给CNN容易让训练不稳定。实操中建议做对数压缩比如取20*log10(xeps)这一小步能显著提升训练稳定性。2.2 CNN架构怎么搭才合理CNN在这个方案里的角色是特征提取器不是分类器——把分类的任务交给后面的全连接层或者BiGRU前面只需要负责把时频图里的局部模式提炼成紧凑的特征向量。输入尺寸方面时频图通常不是正方形的。假设信号采样率12kHz窗口长度512重叠率75%那么一个1秒的信号片段会产生大约30个时间帧每帧的频谱维度是257个点512点的FFT对称性保留一半这就得到一张30×257的时频图。工程上习惯了把这种二维数组直接当作“图像”让CNN去吃。如果觉得尺寸太小可以用插值放大但大多数情况下没必要CNN本身不要求输入是标准图片尺寸只要固定长宽即可。卷积层设计方面我的建议是第一层用小尺寸卷积核比如3×3配少量通道16或32后续逐层加倍。这种设计的道理是浅层卷积核负责捕捉局部纹理细节比如冲击特征在时频图上的竖向条纹深层卷积核的分辨率变低看到的是更大的空间范围能组合出更高层的语义特征。这种“从短到长、从局部到整体”的层次结构正好与故障特征从微观到宏观的体现是对应的。另外一个实际经验是不要加太多卷积层。我见过不少论文把CNN堆到十几层在故障诊断这种输入尺寸不算大、样本量也不算多的场景下深网络很容易过拟合。三到四层卷积配BatchNorm层再加上一个全局平均池化将每个通道的特征图均值汇总为一个数值特征已经足够提取出高质量的特征序列。池化层和BatchNorm层的配合要注意全局平均池化放在最后一层卷积之后把空间维度压缩成1×1×通道数这样得到的特征向量对时频图位移具有一定的鲁棒性同时大大减少参数量。2.3 BiGRU为什么比单向GRU更合适当故障诊断先理清一个基础概念GRU和LSTM都是循环网络但GRU简化了LSTM的结构只有两个门更新门和重置门。更新的门控制“过去的记忆保留多少”重置的门控制“过去的哪些信息需要被忽略”。在故障诊断任务里信号序列长度一般在几十到几百个时间步之间GRU的计算效率和训练稳定性比LSTM更好性能差距很小所以从工程角度选GRU。那为什么还要“双向”单向GRU在某时刻t只能看到t之前的信息这意味着模型在判断t时刻是不是故障瞬态时只能依赖过去的上下文。但实际信号里一个冲击峰值出现后往往还会跟着一个衰减振铃特征在冲击发生之后依然有延续。单向GRU能利用冲击之前的信息但对“冲击之后”的信息是盲区。双向GRU先正着扫一遍序列再反着扫一遍两个方向的信息在每一时刻拼接起来模型能同时参考“这个冲击将出现”的前兆和“这个冲击已过去”的余波相当于既看了前因又看了后果判断更有把握。实现细节上双向GRU在每个时间步的输出是两个方向的隐状态拼接而成的向量。如果隐状态维度是H拼接后就是2H。这个拼接后的向量既可以接全连接层直接分类也可以再接一层单向GRU做进一步抽象。层数上1层双向GRU通常够用堆叠2层以上在很多实际数据集上收益很小反而容易梯度消失。我给一个参考配置BiGRU隐层单元数64双向拼接后128维再接一个Dropout层随机失活率0.2~0.3然后进全连接分类层。训练技巧方面BiGRU对输入特征尺度敏感。CNN输出的特征序列如果直接输入数值范围差异大循环网络训练震荡得厉害。建议接一个LayerNorm层归一化层把每个时刻的特征做归一化归一化后再进BiGRU训练曲线会平滑很多。这也是我在多轮实验对比后才确定的工程细节对这个组合模型影响不小。3. Matlab实操从数据准备到模型部署3.1 实验环境与数据准备我用的是MATLAB R2023a版本依赖深度学习工具箱。数据方面推荐用公开的滚动轴承故障数据集来跑通全流程比如凯斯西储大学CWRU轴承数据集在学术界用得最多样本采集频率12kHz驱动端轴承故障类型包括内圈、外圈、滚动体故障每种又按损伤直径分几档严重程度。第一步就是把这些原始信号切分成固定长度的样本并按7:2:1划分训练集、验证集和测试集。数据集划分要特别注意一个坑切分样本之前一定要先把数据按“故障类型-严重程度”打乱再做窗口切分切完再随机分配训练/验证/测试集。如果先切分原始连续信号再把相邻窗口划到不同的集合里训练集和测试集之间会有信息泄漏得到的准确率会虚高得离谱——这是原论文和复现者最容易踩的坑。代码方面用MATLAB的signalDatastore和audioDatastore类可以管理大量信号文件不必手动加载到内存。实操中每类故障准备了2000个样本每个样本长度取4096个采样点约0.34秒这个长度足够覆盖10个以上轴承转频周期对特征提取来说信息量是够的。3.2 STFT特征提取的代码实现% 参数设置 windowLen 512; % 窗口长度 nfft 512; % FFT点数 overlapRatio 0.75; % 重叠率 hopLen floor(windowLen * (1 - overlapRatio)); % 步长 % 读取一段原始信号 fs 12000; % 采样频率 t 0:1/fs:1-1/fs; % 1秒信号 x sin(2*pi*t*100) 0.3*sin(2*pi*t*230); % 模拟信号 % 使用spectrogram函数提取时频图对数幅度谱 [S, f, time] spectrogram(x, hann(windowLen), windowLen-hopLen, nfft, fs); % S为复矩阵维度 nfft/21 × 时间帧数 S_log 20*log10(abs(S) 1e-6); % 对数压缩 % 标准化按全局均值和标准差做归一化 S_normalized (S_log - mean(S_log(:))) / std(S_log(:));spectrogram函数的底层就是STFT输出是复频谱矩阵。取幅值就是幅度谱取功率就是功率谱。这里强调一个容易出错的地方spectrogram默认的窗口移动方式是hop length等于window length减重叠长度如果直接用窗口长度减去重叠长度来写代码务必确认窗口长度和重叠长度单位统一不然时间轴对不上后面CNN序列长度和你预期的不一致。处理完单条信号之后批量对所有样本执行同样的操作把每个样本的时频图保存成单独的.mat文件。批量处理时不要一个文件一个文件地套for循环写——用parfor做并行处理多核CPU直接拉满处理几千个样本的时间能从十几分钟压缩到两三分钟。MATLAB的Parallel Computing Toolbox在预处理阶段非常顺手。3.3 CNN-BiGRU模型的搭建MATLAB深度学习工具箱提供了layerGraph类可以用addLayers和connectLayers逐层搭图结构方便灵活调整网络结构但流程稍繁琐。更省事的方式是用layer数组直接定义串行网络但在CNN和BiGRU之间需要调整数据维度用layerGraph更清楚。定义网络结构代码如下layers [ % 序列输入层每个样本是一张时频图频率维度 × 时间维度 sequenceInputLayer([257 38 1], Name, input) % 第一层卷积提取局部纹理特征 convolution2dLayer([3 3], 16, Padding, same, Name, conv1) batchNormalizationLayer(Name, bn1) reluLayer(Name, relu1) maxPooling2dLayer([2 2], Stride, 2, Name, pool1) % 第二层卷积扩大感受野 convolution2dLayer([3 3], 32, Padding, same, Name, conv2) batchNormalizationLayer(Name, bn2) reluLayer(Name, relu2) maxPooling2dLayer([2 2], Stride, 2, Name, pool2) % 第三层卷积提取深层抽象特征 convolution2dLayer([3 3], 64, Padding, same, Name, conv3) batchNormalizationLayer(Name, bn3) reluLayer(Name, relu3) % 将特征图重排成序列喂给BiGRU flattenLayer(Name, flat) fullyConnectedLayer(128, Name, fc_proj) % 先降维 reluLayer(Name, relu_fc) % BiGRU层双向GRU隐层单元数64 bilstmLayer(64, OutputMode, last, Name, bigru) dropoutLayer(0.3, Name, dropout) % 全连接分类层 fullyConnectedLayer(4, Name, fc_out) % 4类故障 softmaxLayer(Name, softmax) classificationLayer(Name, output) ];有几个细节我想额外说明。最上面sequenceInputLayer的第一维是[257 38 1]这里的257对应的是频谱频率维度38对应时间帧数1表示单通道。如果你用的是不同的窗口参数这两个数字必须跟着调整。flattenLayer会把三维特征图压平成一个向量但这里有个维度对应关系的问题经过pool层之后特征图尺寸变了flatten之后的向量长度必须和下一层fullyConnectedLayer的输入维度匹配。一个简单的办法是先把网络定义好用analyzeNetwork检查函数跑一遍它会自动报告维度匹配错误不用自己手算。bilstmLayer这个函数在MATLAB里对应的是双向LSTM不是双向GRU。MATLAB深度学习工具箱目前没有内置的BiGRU层这是个常见的功能缺口。替代方案有两个一是用bilstmLayer代替效果接近二是自己写一个自定义层的办法把两个单向GRU层gruLayer合并实现双向但这个实现起来比较麻烦。工程上如果你的场景对计算效率不是极其敏感直接用bilstmLayer过渡是完全可行的——LSTM与GRU在单向情况下的性能差异本来就在1~2个百分点以内双向LSTM的表现非常接近双向GRU。如果非要用真正的BiGRU可以考虑MATLAB最新的Transformer和自定义层机制但工作量和调试成本都不小。我个人的态度是先把bilstmLayer跑通整个实验流程等需要发论文或者做准确率极限对比时再引入自定义BiGRU层。这个“先跑通、再优化”的顺序能让你的实验进度快很多别一上手就被一个工具缺口的细节卡住。3.4 训练配置与模型评估训练超参数的设置直接决定模型是收敛还是发散。我的建议配置如下options trainingOptions(adam, ... MaxEpochs, 30, ... MiniBatchSize, 64, ... InitialLearnRate, 1e-3, ... LearnRateSchedule, piecewise, ... LearnRateDropFactor, 0.5, ... LearnRateDropPeriod, 10, ... ValidationData, {XValid, YValid}, ... ValidationFrequency, 20, ... Shuffle, every-epoch, ... Plots, training-progress, ... Verbose, true);初始学习率1e-3配合Adam优化器在大多数故障诊断数据集上是安全起点。如果你的数据样本量很少比如每类只有几百个样本初始学习率要降到5e-4甚至更低否则训练初始阶段参数更新太猛卷积核直接学成噪声。学习率衰减策略用的是分段式下降——每10轮衰减一半这样模型在前半程大步探索后半程小步精调。不要用余弦退火之类的花哨策略那个通常更适合大模型训练场景在这个任务规模下分段衰减已经足够住了。验证频率设置为20次迭代——也就是每看完20个batch做一次验证集评估及时监控过拟合迹象。如果验证准确率不再上升而训练准确率还在涨就说明过拟合开始出现了这时候重点查Dropout层是否生效、样本量够不够、或者是否需要引入数据增强时频图上做随机裁剪、添加噪声、做频谱掩码都是可行选择。训练完保存模型用测试集做最终评估。评估维度不要只看准确率要先看混淆矩阵——准确率90%和95%之间的差距可能就藏在某个容易被搞混的类别里。用confusionchart函数画混淆矩阵检查哪些类别互相混淆严重。另外看看每个类别的精确率Precision和召回率Recall尤其是不平衡数据集F1分数比准确率更诚实。4. 常见问题与排查技巧实录4.1 STFT图像质量不佳导致模型学不到特征我的第一个项目就遇到过这种问题。时频图做出来乌漆嘛黑一片喂给CNN之后验证准确率一直徘徊在50%左右跟瞎猜差不多。排查了一圈发现根因在窗口尺寸和重叠率的配合上窗口长度取256重叠率只用了25%时间分辨率太粗25Hz以下的低频特征全被抹掉了而电机转频和轴承外圈故障特征频率恰好就落在这个区间。这类问题通常两个方向排查。一个是检查时频图的“可视化质量”把样本的时频图用imagesc函数画出来肉眼看看特征纹理是否清晰、是否被噪声掩盖。另一个是用一个小实验来验证只拿单一频率成分的合成信号跑一遍STFT用“谱峰是否清晰、边缘有没有假峰”来评估当前参数的好坏。参数调整思路一般是低频故障特征占主导时优先加长窗口尺寸换来更高的频率分辨率高频瞬态冲击占主导时优先缩短窗口并增加重叠率换时间分辨率。两者不可兼得但可以跑一个小网格搜索——窗口长度256/512/1024与重叠率50%/75%/87.5%的九种组合里选一个验证集表现最好的。4.2 数据维度不匹配报错这是新手最容易卡壳的问题。错误提示通常很直白layer input expects input with dimension size X, but data has size Y。问题基本出在STFT参数和数据标签加载方式上只要把输入序列的尺寸参数与你实际产生的时频图尺寸对齐即可。很多人在sequenceInputLayer里填了[256 1 1]但spectrogram函数输出的频谱维度是nfft/21nfft512时是257一看就不一致。另外注意如果你用OutputMode,last的BIGRU层输出是最终时间步的隐状态后接的fullyConnectedLayer维度要和双向隐藏层拼接后的维度对齐——如果隐层单元数是64双向拼接是128。我建议所有人在训练前先用analyzeNetwork函数跑一遍它会自动检查各层之间的维度匹配关系错误一目了然省得手动排查。4.3 模型过拟合故障诊断场景下训练集和测试集样本量往往没想象中大。我的数据每类2000个样本对深度学习模型来说只能算“小规模”。CNN参数不是特别多但加上BiGRU整体模型容量已经不小。训练到15轮左右时训练准确率到了98%验证准确率却只有82%——非常典型的过拟合信号。我的调整顺序是先加Dropout把0.2加到0.4同时减少全连接层神经元数量再加入数据增强。时频图的数据增强比自然图像简单——在时间轴或频率轴上做随机平移、加白噪声、随机做频率掩码遮掉随机的频率带都能有效扩增数据多样性。平移和掩码用MATLAB的augmentedImageDatastore可以做或者写个自定义的transform函数用数组索引操作就能实现非常轻量。最后一个大杀器是“改小模型”——把三层卷积中间层通道数从16/32/64降到8/16/32BiGRU隐单元数从64减到32模型参数量直接砍掉一大半过拟合现象通常会明显缓解。先做数据增广和Dropout调整还不奏效就缩小模型不要一上来就用复杂模型硬刚。4.4 训练不收敛或Loss震荡训练Loss乱成心电图准确率时高时低最常见的元凶是学习率太大或者输入特征没有归一化。尤其是STFT对数幅度谱如果不做标准化输入值范围可能差几十倍CNN的卷积核系数更新时梯度尺度差距悬殊训练就非常不稳定。解决办法是务必在STFT输出后做全局标准化用上面的代码里mean/std方法就可以。其次看BatchSize。BatchSize太小比如8或16会导致每个batch的梯度估计噪声大Loss曲线来回震荡BatchSize太大比如512又会让参数更新过于平滑收敛缓慢。64到128在多数任务上是甜点区间。如果换了大batch还是震荡就把初始学习率降到5e-4再试一轮——多试几次总能找到一个稳定区间。4.5 GPU和CPU版本差异MATLAB深度学习训练如果没装NVIDIA GPU和CUDA默认会跑在CPU上慢得让人怀疑人生。查看训练日志里的Epoch时间就能判断——一个epoch耗时超过十几分钟多半是CPU训练。GPU版本环境下MiniBatchSize的大小可以直接拉高到128甚至256因为GPU并行处理batch的能力更强显存允许的话这个数字可以更大。CPU环境下建议减小模型和batch因为CPU并行计算的能力毕竟有限。另外一个细节是MATLAB版本与CUDA的匹配关系挺多人在这个环节翻车。建议先用gpuDevice函数在命令行里确认MATLAB能识别到你的GPU并且查了对应文档确认版本兼容性之后再装各种支持包。深度学习工具箱装好了但在训练选项里没有出现ExecutionEnvironment,multi-gpu这种选项很可能是并行计算工具箱没装或者没激活。5. 实验对比结论与扩展方向跑完实验后我拿这套STFT-CNN-BiGRU和几种常见基线做了一番对比在公开数据集上的结果大致如下这里以某公开轴承数据集、每类约2000个样本为参考模型测试准确率参数量训练时长GPU原始信号 CNN90.1%约200K约9分钟STFT CNN94.5%约250K约11分钟STFT CNN LSTM95.8%约300K约15分钟STFT CNN BiGRU本文方案96.7%约300K约15分钟这个结果有两点值得注意。第一STFT预处理对准确率的提升立竿见影比直接在原始信号上做CNN提高了接近5个百分点说明“时频域特征 空间卷积”的组合确实比单纯时域/频域一条路走到底有优势。第二加入循环结构后准确率又涨了2个点左右而且混叠类别明显变少——尤其是内圈故障和外圈故障在时频图上特征相似度很高单纯CNN容易混淆但BiGRU读了时序上下文后区分能力强了不少。不过坦白说这个结果的绝对数值没有太大意义——不同数据集、不同工况下的表现会明显浮动。关键在于结构收益的比例关系STFT的预处理、CNN的局部特征提取、BiGRU的时序建模三个环节各自都贡献了可观测的准确率提升而且这种提升在不同信噪比条件下都保持稳定。我把这个特征作为方案整体有效性的核心判断依据。这套框架的扩展方向也很清晰。如果你想做跨工况泛化用源域的数据训练、目标域的工况测试可以在CNN输出和BiGRU输入之间加入域对抗模块比如梯度反转层实现不同转速、不同负载条件下的迁移诊断。如果你要部署到嵌入式设备边缘计算盒子上做在线监测则可以对模型做量化和剪枝——因为模型本身结构不算大卷积加GRU的结构在工业嵌入式平台上是能跑得动的。如果要往论文方向发力还可以进一步把STFT换成小波变换CWT生成的尺度图做多分辨率特征融合这通常能在时频细节上带来更进一步的收益。6. 实操中积累的几个小技巧最后分享几个我在实践里打磨出来的经验供各位参考。第一预处理管线一定要固化成一个函数文件用统一参数批量处理所有数据。不要在脚本里直接写STFT的循环那样每次调整窗口长度或者重叠率时都要改好几个地方容易漏改导致数据错乱。把这套逻辑封装好参数都放在函数开头后续调参实验时只需要改几行配置剩下的交给函数处理。第二训练模型前务必设置随机数种子rng(0)之类的固定值保证实验结果可复现。深度学习模型本身有随机性如果不固定种子同一个网络结构跑两次准确率可能差出1到2个百分点这个误差足以让你对某个参数调整的判断产生误读。交叉验证时固定种子的意义更突出——每个折的数据划分一致对比才公平。第三时频图的数值类型记得用single单精度。浮点双精度在MATLAB里默认是double但神经网络训练中这会把CPU/GPU的内存占用翻一倍以上——数据量一旦上来显存经常因此不够用。将数据转成single后训练速度也会有不小的提升前提是做好标准化。第四如果数据集是高度不平衡的比如正常样本占90%故障样本各占几个百分点不要只盯着准确率看。一个永远是“正常”的傻瓜模型也能有90%的准确率这在故障诊断里毫无意义。这种情况下优先用加权交叉熵损失或者过采样故障类样本看混淆矩阵的时候重点盯故障类的召回率是否达到可接受水平。这套STFT-CNN-BiGRU方案虽然不是什么玄学模型但胜在结构清晰、逻辑完备、可解释性强工程上又易于实现。尤其对故障诊断这个更看重“特征找得准、故障分得清”的领域来说这套组合把信号处理的优势、空间特征的优势和时序建模的优势都融进来了算是一个非常值得做基准参考的框架。需要说明的是模块中的BiGRU在Matlab里可以用bilstmLayer替代或者自定义GRU双向合并来实现实际跑通实验后再根据准确率和耗时决定是否要替换成更精确的BiGRU这一点对实验进度的影响很大建议新手尤其留意。
