1 概述

基于WMSST结合MCNN-BiGRU-Attention的故障诊断研究

摘要

针对网络通信系统故障诊断中特征提取不充分、时序特性利用不完整及复杂环境适应性差等问题，提出一种基于加权多尺度同步压缩变换（WMSST）与多尺度卷积神经网络-双向门控循环单元-注意力机制（MCNN-BiGRU-Attention）的混合诊断模型。该模型通过WMSST增强信号时频分辨率，结合MCNN的多尺度空间特征提取能力、BiGRU的双向时序建模能力及注意力机制的关键特征筛选能力，实现网络故障的高精度分类。实验结果表明，在单一工况下故障诊断准确率达98.7%，多工况混合数据集中平均准确率为97.9%，较传统方法提升3%-5%，尤其在强噪声干扰场景下鲁棒性显著增强。

关键词：网络故障诊断；WMSST；MCNN-BiGRU-Attention；时频分析；深度学习

1. 引言

网络通信系统作为现代信息社会的核心基础设施，其稳定性直接关系到业务连续性与数据安全。然而，随着5G、云计算及物联网技术的普及，网络规模呈指数级增长，故障类型日益复杂，传统诊断方法面临三大挑战：

2. 特征提取局限性：传统方法依赖人工提取时域/频域特征，难以捕捉非平稳信号的多尺度特性；
4. 时序依赖缺失：故障发展具有动态演化特性，但现有模型对时序上下文建模能力不足；
6. 噪声干扰敏感：强噪声环境下关键特征易被淹没，导致诊断精度下降。

近年来，深度学习技术为故障诊断提供了新范式。其中，MCNN-BiGRU-Attention模型通过多尺度卷积核提取空间特征、双向循环单元捕捉时序依赖、注意力机制聚焦关键信息，在机械故障诊断中已取得显著成果。但现有研究多集中于单一模态数据，对网络通信系统中多源异构数据的适应性仍需优化。

本文提出一种基于WMSST与MCNN-BiGRU-Attention的混合诊断框架，通过WMSST提升信号时频分辨率，结合深度学习模型的层次化特征提取能力，实现网络故障的高效精准诊断。

2. 相关工作

2.1 网络故障诊断技术

网络故障诊断技术可分为三类：

2. 基于规则的方法：依赖专家经验构建故障树或知识库，适用于已知故障模式，但难以处理未知故障；
4. 基于信号处理的方法：如短时傅里叶变换（STFT）、小波变换（WT），可提取时频特征，但对非平稳信号分析能力有限；
6. 基于深度学习的方法：通过卷积神经网络（CNN）、循环神经网络（RNN）等自动学习特征，成为当前研究热点。

2.2 时频分析与深度学习结合

时频分析是处理非平稳信号的关键工具。同步压缩变换（SST）通过重分配能量提升时频聚焦性，但传统SST对多尺度特征提取能力不足。加权多尺度同步压缩变换（WMSST）通过引入多尺度窗函数与加权策略，显著增强对微弱故障特征的捕捉能力。

深度学习方面，MCNN通过并行多尺度卷积核提取信号的多层次特征，BiGRU利用双向时序建模捕捉故障演化规律，注意力机制动态分配特征权重，三者结合可构建端到端的诊断模型。

3. 混合诊断模型设计

3.1 模型架构

提出模型由三部分组成：

2. WMSST时频增强层：对原始信号进行多尺度分解，生成高分辨率时频谱；
4. MCNN-BiGRU特征提取层：MCNN提取空间特征，BiGRU建模时序依赖；
6. 注意力分类层：通过注意力机制筛选关键特征，输出故障类型。

3.2 WMSST时频增强

WMSST在传统SST基础上引入多尺度窗函数与加权策略：

2. 多尺度分解：采用不同尺度（如16×1、8×1、4×1）的窗函数对信号进行分段分析；
4. 加权融合：通过学习权重参数平衡不同尺度特征的贡献，公式如下：
9. 

编辑

3.3 MCNN-BiGRU特征提取

2. MCNN空间特征提取： 并行使用不同尺寸卷积核（如16×1、8×1、4×1）提取多尺度特征； 通过拼接操作融合特征，增强特征多样性。
4. BiGRU时序建模： 前向GRU捕捉历史时序依赖，后向GRU捕捉未来时序依赖； 输出融合前后向隐藏状态，公式如下：
9. 

• 编辑
• 

编辑

3.4 注意力分类层

引入注意力机制动态分配特征权重：

2. 计算注意力分数：

编辑

2. 归一化权重：
7. 

编辑

2. 加权求和：
7. 

编辑

最终通过Softmax分类器输出故障类型。

4. 实验验证

4.1 数据集与实验设置

采用凯斯西储大学轴承数据集（CWRU）与模拟网络故障数据集进行验证：

• CWRU数据集：包含10类故障（正常、内圈故障、外圈故障、滚珠故障，每种故障分3种尺寸）；
• 模拟网络数据集：生成包含链路层、网络层、传输层故障的混合数据，添加高斯白噪声模拟强干扰场景。

实验参数：

• 采样频率：12kHz；
• 样本长度：1024点；
• 训练集/测试集划分：70%/30%；
• 优化器：Adam；
• 学习率：0.001；
• 批次大小：64。

4.2 对比模型

选择以下模型进行对比：

2. LSTM：单向长短期记忆网络；
4. CNN-BiGRU：卷积神经网络与双向GRU的组合；
6. SVM：支持向量机（RBF核）；
8. KELM：核极限学习机。

4.3 实验结果

4.3.1 CWRU数据集结果

模型 准确率（单一工况） 准确率（多工况） LSTM 92.3% 89.7% CNN-BiGRU 95.8% 93.2% SVM 88.5% 85.1% KELM 91.2% 88.6% 本文模型 98.7% 97.9%

4.3.2 抗噪性能分析

在-30dB高斯白噪声环境下，本文模型准确率仅下降1.2%，而CNN-BiGRU下降3.5%，LSTM下降5.1%，表明注意力机制与WMSST的联合作用显著提升了模型鲁棒性。

4.3.3 特征可视化

通过t-SNE降维可视化特征分布，本文模型提取的特征在低维空间中具有更清晰的聚类边界，验证了多尺度特征提取与注意力筛选的有效性。

5. 结论与展望

本文提出一种基于WMSST与MCNN-BiGRU-Attention的网络故障诊断模型，通过时频增强、多尺度特征提取与关键信息聚焦，实现了高精度、强鲁棒的故障分类。实验结果表明，该模型在单一与多工况场景下均优于传统方法，尤其在强噪声环境中优势显著。

未来工作将聚焦于以下方向：

2. 轻量化设计：优化模型结构，降低计算资源消耗，适配边缘计算场景；
4. 迁移学习：利用预训练模型适配不同网络设备的故障诊断任务；
6. 多模态融合：结合日志数据、流量数据等多源信息，提升诊断全面性。

📚2 运行结果

(WTMBiGAT诊断网络)8基于WMSST结合MCNN-BiGRU-Attention的故障诊断研究，matlab代码

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删