故障診斷一區直接寫，圖卷積+BiGRU-Attention 并行診斷模型
前言
本期推出一種基于K-NN + GCN 和基于全局注意力機制優化的 BiGRU 并行分類模型，在故障診斷任務上效果顯著！
1 模型簡介與創新點介紹
1.1 模型簡介
在應用圖卷積網絡(Graph Convolutional Networks, GCN)到信號模式識別領域中，最關鍵的是如何構建數據的圖結構；我們利用基于K-NN的軸承故障信號預處理的方法，來構建故障信號序列的圖結構，并用GCN+BiGRU-GlobalAttention網絡模型進行診斷識別，取得了一定精度的分類效果。
1.2 創新點介紹
基于 KNN-GCN+BiGRU-GATT 的高創新模型?
創新度高，效果明顯！！創新點：
創新一：利用K-NN創建故障信號圖結構
軸承信號是一維序列，我們可以通過構建圖結構來捕捉序列之間的相對位置關系。使用k近鄰方法來建立節點之間的邊連接關系。對于每個節點，找到其最近的k個鄰居節點，并將它們與該節點連接起來。這樣可以形成軸承信號的圖結構，其中每個節點對應一個數據點，邊表示節點之間的連接關系；
創新二：利用GCN網絡進行故障診斷
（1） 處理圖結構數據：經過預處理的軸承信號可以被視為一個復雜的圖結構，其中節點代表不同的序列位置，邊代表它們之間的關聯。GCN網絡是專門設計用于處理圖結構數據的深度學習模型，能夠充分利用節點和邊的拓撲結構信息，有助于挖掘故障信號中的復雜關聯和模式。
（2）捕捉局部和空間信息：GCN網絡通過多層圖卷積層的堆疊，可以逐步聚合節點的局部鄰居信息，并最終得到包含全局信息的節點表示。在軸承故障領域，這種能力使得GCN網絡能夠同時捕捉局部振動特征和整體空間系統狀態，從而提高故障診斷和預測的準確性。
（3）自動學習特征表示：GCN網絡可以自動學習節點的特征表示，無需手動設計特征工程。在軸承故障領域，這意味著GCN網絡可以從原始振動數據中提取關鍵特征，識別故障模式。
創新三：提出一種基于GlobalAttention優化的BiGRU網絡模型來提取故障信號全局時域特征；
創新四：通過并行模型融合兩個分支提取的局部空間特征和全局時域特征，從而提高特征的表示能力來實現故障信號的識別，取得了極佳的效果！
2 軸承故障數據的預處理
2.1 導入數據
參考之前的文章，進行故障10分類的預處理，凱斯西儲大學軸承數據10分類數據集：
train_set、val_set、test_set 均為按照7：2：1劃分訓練集、驗證集、測試集，最后保存數據
上圖是數據的讀取形式以及預處理思路
2.2 數據預處理，制作數據集
3 基于 KNN-GCN+BiGRU-GATT 的軸承故障診斷
3.1 定義KNN-GCN+BiGRU-GATT分類網絡模型
3.2 設置參數，訓練模型
50個epoch，準確率99%，用KNN-GCN+BiGRU-GATT網絡分類效果顯著，模型能夠充分提取軸承故障信號的空間和時序特征，收斂速度快，性能優越，精度高，效果明顯!
3.3 模型評估
準確率、精確率、召回率、F1 Score
故障十分類混淆矩陣：
其他可視化圖：
（1）原始數據 t-SNE特征可視化
（2）模型訓練后的 t-SNE特征可視化：
