【STFT-CNN-BiGRU的故障诊断】基于短时傅里叶变换（STFT）结合卷积神经网络（CNN）与双向门控循环单元（BiGRU）的故障诊断研究附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥内容介绍

1 研究背景与意义

随着工业自动化水平的不断提升，机械设备的复杂度日益增加，其运行状态的稳定性直接关系到生产安全、效率及经济效益。在各类工业设备中，滚动轴承、电机等核心部件的故障极易引发连锁反应，导致设备停机甚至安全事故。因此，实现对设备故障的早期、精准诊断，是保障工业系统可靠运行的关键支撑。

传统故障诊断方法多依赖人工经验或传统信号处理技术，如傅里叶变换（FT）结合支持向量机（SVM）等机器学习算法。然而，工业设备运行产生的振动信号通常具有非平稳、非线性特性，传统傅里叶变换作为全局变换，无法同时保留信号的时域和频域信息，难以捕捉故障引发的瞬态冲击特征；而传统机器学习方法在处理高维数据时易面临“维度灾难”，且对复杂特征的挖掘能力有限。

近年来，深度学习技术凭借强大的自动特征提取能力，在故障诊断领域得到广泛应用。卷积神经网络（CNN）擅长提取数据的空间局部特征，双向门控循环单元（BiGRU）则能有效捕捉时序数据的前后依赖关系。同时，短时傅里叶变换（STFT）作为经典的时频分析方法，可将一维非平稳振动信号转换为二维时频图，实现时域与频域信息的同步表征。基于此，本研究提出STFT-CNN-BiGRU融合诊断模型，通过时频变换与深度学习的优势互补，提升故障诊断的准确率与鲁棒性，为工业设备智能运维提供可靠技术方案。

2 相关核心技术原理

2.1 短时傅里叶变换（STFT）

STFT的核心思想是通过滑动窗函数将一维非平稳信号分割为多个局部平稳的信号片段，对每个片段进行傅里叶变换，最终得到信号的时频分布矩阵（时频图）。其数学表达式为：

STFT(t,f)=∫−∞∞x(τ)w(τ−t)e−j2πfτdτ

其中，x(τ)为原始振动信号，w(τ−t)为滑动窗函数，t为时间参数，f为频率参数。STFT通过窗函数的滑动实现了时频局部化，能够清晰呈现故障冲击信号在不同时间点的频率分布特征，解决了传统傅里叶变换无法分析非平稳信号的缺陷。在故障诊断中，STFT生成的时频图可直观展现故障特征频率的周期性能量增强现象，为后续深度学习模型提供丰富的特征源。

2.2 卷积神经网络（CNN）

CNN主要由卷积层、池化层和全连接层组成，具备局部感知和权值共享的核心优势，特别适用于二维图像的特征提取。卷积层通过卷积核对时频图进行卷积运算，挖掘局部空间特征（如故障特征频率对应的能量分布模式）；池化层通过最大值或平均值池化降低特征维度，减少计算量的同时保留关键特征；全连接层则将提取的高维特征映射到故障类别空间，为后续分类任务奠定基础。本研究采用多尺度卷积核设计，分别对应低频周期特征、中频过渡特征和高频冲击特征，通过特征融合提升局部特征的丰富度。

2.3 双向门控循环单元（BiGRU）

BiGRU是在门控循环单元（GRU）基础上改进的时序建模网络，由前向GRU和后向GRU两个独立网络组成。GRU通过更新门和重置门的动态调节，有效缓解了传统循环神经网络（RNN）的梯度消失问题，能够记忆长时序依赖关系。BiGRU通过同时对特征序列进行前向（从过去到现在）和后向（从现在到未来）的遍历建模，完整捕捉时序数据的双向依赖关系，尤其适用于分析故障演化过程中的时序特征变化，提升对复合故障和早期轻微故障的识别能力。

3 STFT-CNN-BiGRU故障诊断模型架构

本研究提出的STFT-CNN-BiGRU模型采用“时频变换-空间特征提取-时序特征建模-故障分类”的四级架构，实现从原始信号到故障类别的端到端诊断，具体结构如下：

3.1 数据预处理与STFT时频变换模块

首先对采集的原始振动信号进行预处理，包括去噪（采用小波阈值去噪去除环境噪声）、归一化（将信号幅值映射到[0,1]区间，提升模型训练稳定性）和数据增强（通过随机裁剪、翻转等操作扩充样本集，增强模型泛化能力）。随后，对预处理后的一维振动信号进行STFT变换，设置合理的窗函数类型和窗口长度（平衡时间与频率分辨率），将其转换为二维时频图，实现从一维时序信号到二维图像数据的维度提升，保留完整的时频特征信息。

3.2 CNN空间特征提取模块

将STFT生成的时频图输入CNN模块，该模块由3个卷积层、3个池化层和1个扁平化层组成。卷积层采用16×1、8×1、4×1的并行三尺度卷积核，分别提取不同频段的故障特征；池化层采用2×2最大值池化，步长设为2；激活函数选用ReLU函数，缓解梯度消失问题。经过CNN模块处理后，二维时频图被转换为一维高维空间特征向量，实现对故障空间模式的有效表征。

3.3 BiGRU时序特征建模模块

CNN输出的一维特征向量被重塑为时序特征序列，输入BiGRU模块。BiGRU模块包含2个隐藏层，每个隐藏层节点数设为128，前向GRU和后向GRU分别对特征序列进行遍历计算，其输出通过拼接操作融合为双向时序特征向量。该模块能够捕捉故障特征在时间维度上的演化规律，弥补CNN仅能提取空间特征、无法建模时序依赖的缺陷，提升模型对动态故障过程的适应能力。

3.4 分类与输出模块

BiGRU输出的双向时序特征向量输入全连接层，通过Dropout层（ dropout rate=0.5）抑制过拟合，最终通过Softmax激活函数输出各类故障的概率分布，实现故障类别的精准判定。损失函数采用交叉熵损失函数，优化器选用Adam优化器，通过反向传播迭代更新模型参数，使模型收敛至最优状态。

4 结论与展望

4.1 研究结论

本研究提出的STFT-CNN-BiGRU故障诊断方法，通过STFT将一维非平稳振动信号转换为二维时频图，融合CNN的空间特征提取能力与BiGRU的时序建模优势，实现了对滚动轴承故障的高精度诊断。实验验证表明：① STFT的时频变换能够有效保留故障信号的时域-频域联合特征，为后续深度学习提供优质特征源；② 多尺度CNN与BiGRU的融合架构，能够同时捕捉故障的空间模式和时序演化规律，提升诊断准确率与鲁棒性；③ 所提模型在凯斯西储大学数据集上的诊断准确率达98.6%，较传统方法和单一深度学习模型具有显著优势，为工业设备故障诊断提供了可靠方案。

4.2 未来展望

未来研究可从以下方向进一步优化：① 引入注意力机制（Attention），动态分配不同特征的权重，增强模型对关键故障特征的聚焦能力；② 研究自适应STFT算法，根据信号特性动态调整窗函数参数，平衡时间与频率分辨率；③ 拓展模型在变工况、多故障耦合场景下的应用，结合多传感器数据融合技术提升模型的泛化能力；④ 优化模型结构，降低计算复杂度，实现故障诊断的实时性，推动模型在工业现场的工程化应用。