卷积神经网络（CNN）：
双向长短时记忆网络（BiLSTM）：
长期依赖建模：标准LSTM 网络通过引入记忆单元和门控机制结构，可以更好地捕捉和记忆序列数据中的长期依赖关系。但其只有前向传播运算，缺乏前后的逻辑性。双向长短时记忆网络（BiLSTM）是在LSTM的基础上，利用已知时间序列和反向位置序列，通过前向和反向传播双向运算，加深对原序列时序特征提取，提高模型输出结果的准确性。BiLSTM神经网络最后输出是前向、反向传播的LSTM输出结果之和。
多头自注意力（SelfAttention）：
全局依赖建模：在特征提取的过程中，并不是提取到的所有故障特征都有助于故障诊断。为了提高故障诊断的正确率，因此在特征提取时，有必要引入注意力机制对其进行筛选。在故障识别中，某些异常可能涉及到序列中的多个位置，而不仅仅是局部特定的部分。通过引入多头自注意力，模型能够同时关注序列中的不同部分，更好地捕捉全局依赖关系，从而提高对于整体序列模式的感知能力。
结合这三种层的结构，模型首先通过CNN层来捕捉输入故障序列的空间特征，然后通过双向BiLSTM层来捕捉故障序列时序相关性，最后通过Self-Attention层来更好地理解序列内部的关联。这种综合结构可以更全面地处理故障序列数据。
混淆矩阵：
评价指标计算：
%% 随机划分训练集和测试集temp = randperm(400);% 训练集——400个样本P_train = data(temp(1:350),1:20)';T_train = data(temp(1:350),21)';M = size(P_train,2);% 测试集——50个样本P_test = data(temp(351:end),1:20)';T_test = data(temp(351:end),21)';N = size(P_test,2);%% 数据归一化[p_train, ps_input] = mapminmax(P_train,0,1);p_test = mapminmax('apply',P_test,ps_input);t_train = T_train;t_test = T_test;%% 数据平铺p_train = double(reshape(p_train,20,1,1,M));p_test = double(reshape(p_test,20,1,1,N));t_train = categorical(t_train)';t_test = categorical(t_test)';%% 构造CNN-BiLSTM-Attention网络layers = [imageInputLayer([20 1 1],"Name","imageinput")convolution2dLayer([2 1],16,"Name","conv_1")batchNormalizationLayer("Name","batchnorm_1")reluLayer("Name","relu_1")maxPooling2dLayer([2 1],"Name","maxpool_1")convolution2dLayer([2 1],32,"Name","conv_2")batchNormalizationLayer("Name","batchnorm_2")reluLayer("Name","relu_2")maxPooling2dLayer([2 1],"Name","maxpool_2")
欢迎感兴趣的小伙伴点击“阅读原文”或上方链接获得完整版代码哦~，关注小编会继续推送更有质量的学习资料、文章程序代码~
