前阵子做旋转机械状态监测项目，用振动加速度信号做轴承故障分类。一开始图省事，直接拿短时傅里叶变换出来的频谱图喂给CNN，测试集准确率卡在90%上下怎么都上不去。后来同事提醒了一句，把输入从普通时频图换成同步压缩时频图，模型结构也从单尺度CNN换成多尺度并行卷积，准确率直接提升了近三个点，而且对变负载工况的泛化明显更好。这个组合就是标题里的WTMCNN诊断网络。
这里想把WTMCNN完整拆开讲清楚。它本质上是把小波多尺度同步压缩变换（WMSST）和多尺度卷积神经网络（MCNN）串联成一套“时频图生成 → 多尺度特征提取 → 故障分类”的端到端流程。文章会给出可参考的MATLAB实现思路、关键参数和踩坑经验，适合正在做故障诊断课题的学生、设备运维工程师，以及想把时频分析+深度学习落地到实际项目里的同行。
1. 思路拆解：为什么是“同步压缩时频图”遇上“多尺度卷积”
1.1 故障诊断的本质还是“读信号”
不管是轴承、齿轮箱还是电机，绝大多数机械故障都会在振动信号上留下痕迹。内圈剥落会产生一系列冲击脉冲，外圈损伤会引起与转频相关的周期性调制，齿轮断齿则会出现啮合频率附近的边带族。这些特征的共同点是：它们既有特定频率成分，又往往随时间动态变化，尤其在启停机、变转速、变负载工况下，信号表现出明显的非平稳特性。
传统做法是直接对整段信号做FFT，看特征频率处有没有明显峰值。但非平稳信号的问题在于，频率成分随时间漂移，一张全局频谱图只能告诉你有这些频率，却看不出它们什么时候出现、如何变化。短时傅里叶变换（STFT）能部分解决这个问题，代价是时间分辨率和频率分辨率互相制约——窗口短了，频率看不清楚；窗口长了，时间定位又变差。这是经典测不准原理在信号分析里的体现，单纯靠调窗口参数很难两全。
小波变换在这个背景下成为主流方案。它用不同尺度的基函数去匹配信号，低频段用长窗口获得高频率分辨率，高频段用短窗口获得高时间分辨率，天然贴合机械振动信号的特性。但连续小波变换（CWT）有个让人头疼的毛病：时频平面的能量是铺散的，明明是一条集中的频率脊线，在时频图上看起来却像一团雾。CNN吃这种模糊输入，学到的特征自然不算最优。
1.2 从CWT到同步压缩，到底改进了什么
同步压缩变换（SST）的核心思想并不复杂：CWT算出来的系数在尺度方向上互相干扰，导致时频能量扩散。那就在尺度方向估计每个点的瞬时频率，再把同一瞬时频率附近的系数全部“压缩”到同一个频率位置上去，相当于把散开的雾重新凝聚成清晰的线。最早提出这个方法的那几位学者，给出的类比就是用“挤压”的方式锐化时频表示。同步压缩不是改变小波变换本身，而是在小波系数平面上做一次非线性重排，物理意义清楚，实现起来也不算难。
多尺度同步压缩变换（MSST）则是在SST基础上进一步迭代。每一轮同步压缩之后，重新从更新过的时频表示里估计瞬时频率，然后再压一次。每多压一轮，能量就更集中一些，时频脊线就更细、更锐利。对含有强噪声、多分量、频率缓慢漂移的振动信号来说，这种迭代锐化的收益非常明显。直观理解就像拍照时连续多次对焦，每次对完再重新测一遍焦点，多来几次画面就清晰很多。
为什么故障诊断特别吃这一套？因为诊断模型的输入质量决定精度上限。CNN再强，也很难从一张涂抹模糊的时频图中区分相近的故障特征。而经过同步压缩的时频图，特征频率、谐波、边带都变成清晰窄带，模型要学的东西简单了，自然更容易收敛、更容易泛化。
1.3 MCNN在特征提取上动了什么脑筋
时频图生成好了，下一步就是分类。常规做法是把时频图直接丢给一个普通的CNN，比如几层3×3卷积堆叠。实际测试中有个现象：小卷积核擅长提取局部纹理，但对时频图中低频段的整体结构和大尺度趋势不够敏感；如果全用大卷积核，高频瞬态冲击这类细节又会被过度平滑。单尺度CNN在时频图分类任务里，本质上是在逼一个固定感受野的网络去做多尺度判别，总会有信息损失。
多尺度卷积神经网络（MCNN）的思路很直接：用多个不同尺寸的卷积核并行处理同一张输入图。一个分支走3×3卷积，负责提取高频冲击细节；一个分支走5×5卷积，捕捉中等尺度的调制结构；另一个分支走7×7甚至更大的卷积核，把握低频整体形态。三个分支各看各的，最后把特征拼在一起。这种做法跟经典Inception结构的思路一脉相承，但用在时频图分类上，针对性更强——因为时频图本身就是典型的多尺度信号结构，低频段和高频段天然需要不同感受野。
把WMSST和MCNN放在一起，等于让信号处理端把时频图画得足够清晰，再让模型端用足够适配的骨架去消化。前者负责“输入质量”，后者负责“特征容量”，两端各做各擅长的部分，组合起来就是WTMCNN这套方案能打的根本原因。
2. WMSST与MCNN的关键细节拆解
2.1 用MATLAB生成WMSST时频图的正确姿势
MATLAB的Wavelet Toolbox从较新版本开始直接内置了多尺度同步压缩变换函数，这是整个流程里最省事的环节。核心调用就一行：
[SST, F] = msst(x, fs);这里的x是输入振动信号向量，fs是采样频率。返回的SST是频点×时间点的复数矩阵，F是对应的频率轴。默认情况下用的是解析小波，适合大多数机械振动场景，不需要频繁换基。
实际项目中，我通常把信号切成固定长度段再逐个变换。长度选多少很关键：太短，比如只有256个点，时频图频率分辨率不够，故障特征频率和边带根本分不开；太长，比如8192个点，WMSST计算量明显增加，也会把非平稳段内多个工况混在一起。实测下来，1024到4096个点是比较合理的区间，具体看采样频率和设备转速。采样率12000Hz时，我习惯取2048点，差不多0.17秒一段，既能包含足够多的故障冲击周期，计算速度也能接受。
拿到SST矩阵后，还不能直接塞给网络。SST是复矩阵，imageInputLayer只接受实数像素值，通常取模值后再做归一化：
img = abs(SST); img = mat2gray(img); img = imresize(img, [224, 224]);mat2gray自动把矩阵线性映射到[0,1]区间，这一步不能省。如果不归一化，不同样本之间的幅值差异会引入不必要的方差，模型训练初期特别容易不稳定。
一个小技巧：时频图可以存成单通道灰度图，也可以映射成伪彩色三通道图。模型自己训练（不从预训练网络迁移）时，单通道输入通常就够了，计算量还小一截。但如果你打算用ImageNet预训练权重做迁移学习，就必须映射成三通道。映射伪彩色时，MATLAB里可以这样操作：
rgb = ind2rgb(round(mat2gray(img) * 255) + 1, jet(256));生成样本时建议先把所有信号段批量变换、批量保存为.mat矩阵，不要一张张存成图片文件。图片小文件IO在样本量上千时会非常慢，而且后续做数据增强不方便。直接保存矩阵，训练时再按需读取和resize，速度能快一个量级。
2.2 多尺度卷积网络怎么搭才能不过拟合
MCNN结构看起来简单，但参数设计直接影响最终效果。我给出一个验证过比较稳的基础结构：
分支一（细节）：3×3卷积，32通道，BN+ReLU，2×2最大池化。 分支二（中等）：5×5卷积，32通道，BN+ReLU，2×2最大池化。 分支三（全局）：7×7卷积，32通道，BN+ReLU，2×2最大池化。
三个分支的输入都是同一张224×224×1时频图。池化后特征图尺寸都是112×112×32，沿通道维度拼接得到112×112×96，再叠加两层3×3卷积进一步融合跨尺度特征，最后接全局平均池化、全连接层、Dropout和softmax分类层。
有几个参数值得特别说明。通道数32是我反复对比后的甜点值——太小了特征容量不够，太大了在样本量只有几百的故障数据集上必过拟合。Dropout放在全连接层前，设0.5，这是故障诊断小样本场景下的标配。BN层加在每个卷积之后、激活之前，能明显加速收敛，也让训练过程对初始学习率不那么敏感。
下面是用Deep Learning Toolbox定义网络的一个参考框架，用layerGraph可以把分支结构搭出来：
lgraph = layerGraph(); tempLayers = [ imageInputLayer([224 224 1], 'Name', 'input') convolution2dLayer(3, 32, 'Padding', 'same', 'Name', 'conv1_1') batchNormalizationLayer('Name', 'bn1_1') reluLayer('Name', 'relu1_1') maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool1_1') ]; lgraph = addLayers(lgraph, tempLayers); tempLayers = [ convolution2dLayer(5, 32, 'Padding', 'same', 'Name', 'conv1_2') batchNormalizationLayer('Name', 'bn1_2') reluLayer('Name', 'relu1_2') maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool1_2') ]; lgraph = addLayers(lgraph, tempLayers); tempLayers = [ convolution2dLayer(7, 32, 'Padding', 'same', 'Name', 'conv1_3') batchNormalizationLayer('Name', 'bn1_3') reluLayer('Name', 'relu1_3') maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool1_3') ]; lgraph = addLayers(lgraph, tempLayers); tempLayers = [ depthConcatenationLayer(3, 'Name', 'concat') convolution2dLayer(3, 64, 'Padding', 'same', 'Name', 'conv2') batchNormalizationLayer('Name', 'bn2') reluLayer('Name', 'relu2') convolution2dLayer(3, 64, 'Padding', 'same', 'Name', 'conv3') batchNormalizationLayer('Name', 'bn3') reluLayer('Name', 'relu3') globalAveragePooling2dLayer('Name', 'gap') fullyConnectedLayer(64, 'Name', 'fc1') dropoutLayer(0.5, 'Name', 'dropout') fullyConnectedLayer(numClasses, 'Name', 'fc_out') softmaxLayer('Name', 'softmax') classificationLayer('Name', 'output') ]; lgraph = addLayers(lgraph, tempLayers); lgraph = connectLayers(lgraph, 'pool1_1', 'concat/in1'); lgraph = connectLayers(lgraph, 'pool1_2', 'concat/in2'); lgraph = connectLayers(lgraph, 'pool1_3', 'concat/in3');这个结构不花哨，但胜在稳。如果数据量比较充足（每类500段以上），可以把分支通道数加到64，精度还能再涨一些；数据量有限的话，维持32通道更保险。
2.3 数据划分和增强，决定模型上限的隐形因素
数据集怎么切、样本怎么生成，这步很多人都没认真对待，结果就是训练集和测试集之间存在数据泄漏，准确率虚高得吓人。机械故障数据通常是从一段连续振动记录里截取的，如果直接随机把所有窗口分开，训练集和测试集里很可能包含来自同一段工况、甚至物理上相邻的样本，模型等于带着“记忆”去考试，指标漂亮但一到现场就露馅。
正确做法是按原始连续信号段划分。一种常见工况对应一段独立记录，先把每段记录整体归入训练、验证或测试集合，再从段内滑窗取样本。比如某设备有正常、内圈故障、外圈故障、滚动体故障四类，每类设置了多组不同工况载荷的数据，就按“同工况不同记录”来切分，保证测试集的样本跟训练集完全来自不同时间段。滑窗重叠率可以设50%到75%，用来扩充样本量，但前提是已经按记录段隔离，否则重叠窗口会变成数据泄漏的通道。
数据增强在故障诊断里同样有效。简单有效的三种：给原始振动信号叠加随机高斯噪声（信噪比20dB到30dB），对信号做小幅幅度缩放（0.9到1.1倍），在时频图上做随机左右平移几个像素。前两种在信号域做，后一种在图像域做，实际使用中我倾向于在前端做信号增强，因为物理意义清晰，计算开销也小。增强后的数据集能显著缓解过拟合，尤其对每类只有一百多个样本的冷启动场景。
3. 从零跑通WTMCNN的完整实操
3.1 环境配置和数据集准备
推荐环境是MATLAB R2022a及以上版本，需要安装Wavelet Toolbox、Deep Learning Toolbox，有GPU环境就装Parallel Computing Toolbox。WMSST依赖Wavelet Toolbox内置的msst函数，版本太旧的话可能没有这个函数，要么升级MATLAB，要么自己实现多尺度同步压缩流程，后者成本比较高，不建议折腾。
数据集我以某公开轴承振动数据集为例说明流程：采样频率12000Hz，包含正常、内圈故障、外圈故障、滚动体故障四类，每类多组载荷工况。每组工况取一段连续振动记录，按2.3节的原则划分集合，每段记录内用2048点窗口、50%重叠滑窗取样本。以某类中的某条记录为例，一段十来万点的数据能产出几百个窗口，四类下来每类能拿到几百个样本，总量足够训一个小型MCNN。
数据加载和处理的主循环长这样：
fileList = dir(fullfile(dataRoot, '*.mat')); numFiles = length(fileList); allImages = []; allLabels = []; for i = 1:numFiles data = load(fullfile(dataRoot, fileList(i).name)); x = data.vibration; % 振动信号 label = data.label; % 类别标签 fs = data.fs; % 采样频率 winLen = 2048; step = 1024; nSeg = floor((length(x) - winLen) / step) + 1; for j = 1:nSeg seg = x((j-1)*step + 1 : (j-1)*step + winLen); [SST, ~] = msst(seg, fs); img = imresize(mat2gray(abs(SST)), [224, 224]); allImages = cat(4, allImages, img); allLabels = [allLabels; label]; end end处理几千个窗口时，这段循环可能要跑一段时间。四个类别每个几百样本，纯CPU环境大概十几二十分钟，能接受；但如果你把窗口数扩到上万，建议改成parfor并行，写几行代码就能把时间压到四分之一左右。
3.2 训练配置和评估指标
网络搭好后，训练参数我用的是adam优化器，初始学习率0.001，MiniBatchSize 32，MaxEpochs 40，ValidationFrequency 10。这些参数不是随手写的：学习率0.001配合BN层是卷积网络的标准配置，太高前期容易震荡，太低收敛太慢；BatchSize 32在GPU显存和梯度稳定性之间比较均衡；Epoch 40配合早停机制（ValidationPatience设5），既给足训练时间，又避免后期过拟合。
训练代码：
options = trainingOptions('adam', ... 'InitialLearnRate', 0.001, ... 'MaxEpochs', 40, ... 'MiniBatchSize', 32, ... 'ValidationData', {valImages, valLabels}, ... 'ValidationFrequency', 10, ... 'ValidationPatience', 5, ... 'Shuffle', 'every-epoch', ... 'Plots', 'training-progress', ... 'Verbose', true); net = trainNetwork(trainImages, trainLabels, lgraph, options);训练过程中要盯着两条曲线：训练准确率和验证准确率。如果验证准确率某轮开始明显下跌而训练准确率还在涨，就是过拟合信号，早停机制会自动截停。如果两条曲线都平在低点，大概率是时频图生成环节出了问题，别急着调网络结构，先回去看一眼WMSST输出是否正常。
测试评估不能只看一个总准确率。故障诊断领域最常见的坑是类别不均衡和混淆严重，必须看混淆矩阵：
YPred = classify(net, testImages); acc = mean(YPred == testLabels); cm = confusionchart(testLabels, YPred);重点关注容易混淆的类别对。比如滚动体故障和正常状态偶尔会混，原因是滚动体故障的冲击位置不固定，某些窗口里特征不明显，时频图跟正常状态差别很小。如果这种情况出现较多，可以增加滚动体故障在训练集里的样本权重，或者对滚动体故障样本做更强的数据增强。
3.3 效果对比，如何验证WTMCNN真的有用
验证新方法有没有价值，不能只看最终准确率，得做消融实验，确认每个模块都在起作用。我在项目里做了三组对比：
第一组：输入用普通CWT灰度图，网络用单尺度3×3 CNN。这组是基线，准确率一般在89%到92%之间。 第二组：输入用WMSST灰度图，网络仍用单尺度3×3 CNN。这组单独验证WMSST的贡献，准确率通常能涨到93%到95%，说明输入质量确实提升了分类上限。 第三组：输入用WMSST灰度图，网络用多尺度MCNN。这就是完整WTMCNN，四类故障测试准确率能稳定在96%到98%。
三组对比下来，WMSST和多尺度结构的贡献几乎是各自的。WMSST带来的提升通常比MCNN更大，这是因为时频图质量的改善是从信息源头起作用的，网络再强也补不回丢失的时频细节。这个结论也提醒大家：如果资源有限，优先保证时频图质量，再去升级网络结构，性价比更高。
4. 实操中踩过的坑和排查思路
4.1 时频图生成阶段的几个典型问题
WMSST算出来是复矩阵，很多第一次做的人直接把SST交给imageInputLayer，报错后一脸懵。取模不是可选项，是必须步骤。另外mat2gray归一化前要注意SST矩阵里有没有NaN或Inf，信号段全零或数值异常时可能出现，在循环里加个isnan检查能省很多排错时间。
计算效率是另一个大坑。如果每类数据有上千段、每段生成一张224×224图，普通for循环单核跑起来非常痛苦。我试过一万个样本在普通CPU上跑，差不多要三四个小时。解决思路有三个：一是数据量允许时用2048点窗口缩短单段变换时间；二是用parfor并行；三是先以较小尺寸（比如112×112）保存，训练时再按需resize。实际项目我是三个都用了，处理时间从几小时降到半小时以内。
还有时频图的动态范围问题。振动信号中故障冲击能量往往集中在很窄的频率带，abs(SST)矩阵的数值可能从0到几千甚至上万，直接用mat2gray会把微弱的高频细节压到接近零，导致网络完全学不到这些信息。遇到这种情况，先对abs(SST)做对数变换再归一化——log(1 + abs(SST))能把动态范围压缩不少，高频细节的可视性明显改善。这个操作在故障特征较弱的早期损伤场景下尤其重要。
4.2 模型训练阶段的过拟合和不均衡
样本量不足是故障诊断项目常态。若MCNN分支通道数偏大或全连接节点过多，训练两三轮后训练准确率就到98%，验证准确率却停在90%，典型过拟合。处理手段优先级从高到低：先砍全连接宽度，把fc1节点从128降到64；再把分支通道数从64降到32；最后加Dropout到0.6。这三步做完，验证准确率通常能拉回几个点。
类别不均衡也很常见，比如正常运行时间极长导致正常样本数量远超故障样本。直接用原始分布训练，模型会偏向多数类。处理办法是让每个mini-batch里各类样本数量尽量均衡，用MATLAB的classWeights给少数类更大的损失权重，或者在每个epoch内对少数类过采样。我用过第二种，效果直接，实现也简单。
训练曲线上还有一种情况：验证准确率来回抖，每10轮验证波动超过两三个点。这通常是验证集太小或者数据划分没做好随机性，检查一下是否不同类别的验证样本分布不均，再回头核对2.3节的划分逻辑。划分逻辑没问题，就适当增大验证集比例到20%。
4.3 部署和扩展时的高频命中率建议
模型在测试集上拿到98%的准确率，别高兴太早。拿到现场数据上跑一遍，往往发现实际准确率掉到85%都不到。原因不在模型，在于训练数据和应用数据之间的分布差异——现场环境有背景振动、安装共振、噪声干扰，这些在公开数据集里都不存在。应对办法是在训练阶段就主动做噪声增强，把SNR 20dB噪声样本混进去；如果现场有已知干扰频率，还可在数据预处理阶段加窄带滤波。
WTMCNN这套流程不局限在轴承上。齿轮箱的啮合频率调制、电机转子断条、泵的叶轮通过频率，在我看来都可以用这个框架做。只要故障能用振动信号表达、能在时频图上形成可辨识模式，就值得试一次。换设备之后要重新调整的是窗口长度、频率轴范围和时频图输入尺寸，网络骨架基本不用动。后续想进一步工程化，可以把MCNN换成更轻量的MobileNet结构，或者把分类头换成Transformer，这些都是顺着WMSST+MCNN思路的自然延伸。
最后分享一点个人体会。WMSST计算量不小，很多人图省事直接用FFT频谱图或普通CWT图，结果模型怎么调都到不了理想精度。如果做离线诊断，果断上WMSST，时频图质量带来的收益远大于多花的计算时间；如果做实时在线监测，先用CWT把流程跑通，再把WMSST单独加速后可部署。这套组合的扩展空间确实很大，后面完全可以沿着轻量化、在线化继续往深处走。
