双通道CNN模型 #75
Description
为了充分利用手工构造特征的物理解释性与时频图像的丰富表征能力，本研究设计并实现了一个基于多模态融合的双通道卷积神经网络（Dual-Channel CNN）。该模型通过两个并行的分支分别处理一维特征向量和二维时频图像，并在深层进行特征融合，以实现比单一信息源更准确、更鲁棒的故障诊断。
模型的整体架构如下图所示。它接收两个异构输入：一个17维的手工特征向量和一个64x64像素的CWT时频图。数据分别流经特征通道和图像通道，两个通道提取的深层特征在融合层进行拼接，最终由分类头输出诊断结果
特征通道 (Feature Channel)：该分支是一个多层感知机（MLP），专门用于处理17维的手工特征向量。它由一个全连接层（nn.Linear）构成，将17维输入映射到128维的特征空间，并通过ReLU激活函数和批量归一化（BatchNorm1d）进行处理。其目的是学习手工特征之间的高阶非线性组合。
图像通道 (Image Channel)：该分支是一个轻量化的二维卷积神经网络（2D-CNN），用于从64x64像素的CWT图像中自动提取视觉特征。它由三个卷积模块堆叠而成：
卷积模块1：使用16个3x3的卷积核，将3通道输入图像转换为16通道的特征图，后接MaxPool2d进行下采样。
卷积模块2：使用32个3x3的卷积核，将特征图通道数从16提升至32，并再次下采样。
卷积模块3：使用64个3x3的卷积核，将特征图通道数从32提升至64，并再次下采样。
每个卷积层后都伴随ReLU激活和BatchNorm2d。最后，通过自适应平均池化层（AdaptiveAvgPool2d）和展平层（Flatten）将二维特征图转换为一个64维的特征向量。
特征融合与分类头 (Feature Fusion and Classifier Head)：
融合层：将特征通道输出的128维向量与图像通道输出的64维向量进行**拼接（Concatenation）**操作，形成一个信息更全面的192维融合特征向量。
分类头：一个小型MLP，它接收192维的融合向量，先通过一个128节点的隐藏层（带ReLU和Dropout）进行信息整合，最后由一个输出节点为4的全连接层得到最终的故障分类结果。