1.模型簡介與創新點介紹

1.1 模型簡介

● 數據集：CWRU西儲大學軸承數據集

● 環境框架：python 3.9  pytorch 1.8 及其以上版本均可運行

● 準確率：測試集100%

● 使用對象：論文需求、畢業設計需求者

● 代碼保證：代碼注釋詳細、即拿即可跑通。

1.2 創新點介紹

創新一：獨家原創預處理

結合快速傅里葉變換FFT和變分模態分解VMD來進行信號的時頻、域特征提取，能夠挖掘故障信號中的多尺度特征：

（1）預處理——FFT：FFT是一種廣泛應用的頻域分析方法，可以將信號從時域轉換到頻域，得到信號的頻譜信息。通過FFT，我們可以獲取信號在不同頻率上的能量分布，進而了解信號的頻率成分。然而，FFT只提供了信號在某個時刻的頻譜信息，無法反映信號隨時間的變化。

（2）預處理——VMD：為了解決這個問題，可以引入變分模態分解（VMD）。VMD是一種基于信號自適應調整的模態分解方法，可以將信號分解為一系列模態函數，每個模態函數代表信號在不同尺度上的特征。通過VMD，我們可以獲得信號在不同尺度上的時域特征信息。

創新二：雙支路特征提取并行網絡

（1）雙支路結構設計：在創新模型中，信號經過預處理后，通過兩個并行的特征提取支路進行處理，以捕獲信號的不同特征：

• 1DCNN支路：利用一維卷積神經網絡（1DCNN）處理經過FFT+VMD預處理后的時序信號，著重捕捉局部時域特征，通過卷積核的滑動實現平移不變性，增強對局部模式的識別能力。
• Informer支路：采用Informer編碼器架構處理信號的全局特征，特別適合長序列數據的建模，能夠更好地捕捉信號的時序依賴和全局模式。

（2）并行處理優勢：兩個支路在特征提取時可以同時進行，相互獨立但最終互補。1DCNN專注于短期局部特征，Informer則覆蓋長期依賴和全局特征，通過這種并行處理方式，實現對信號多尺度、多方面特征的全面捕捉。

創新三：多頭注意力機制（Multi-Head Attention）特征融合

（1）多頭注意力機制融合：使用多頭注意力機制來融合來自不同支路的特征。每個注意力頭可以看作是一個特征提取器，專注于特征的不同部分或不同方面。多頭注意力機制通過計算特征之間的相關性權重，動態調整特征的重要性，從而實現特征的加權融合。這種機制不僅能提升特征的表達能力，還能夠通過關注重要特征的方式增強模型的魯棒性，對抗噪聲和干擾。

（2）優勢：多頭注意力機制的使用，使得融合后的特征更加具有層次性和多樣性，有助于提升分類模型的準確性和泛化能力。在處理復雜信號時，能夠更好地捕獲故障信號的細微特征和模式變化，提高故障診斷的準確率和可靠性。

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 故障FFT變換可視化

2.3 故障VMD分解可視化

2.4 故障數據的特征預處理數據集制作

3 基于1DCNN-Informer+MATT的軸承故障診斷模型

3.1 設置參數，訓練模型

模型分類效果顯著，50個epoch，準確率100%，快速傅里葉變換（FFT）和變分模態分解（VMD）可以有效地挖掘信號中的多尺度特征，1DCNN-Informer+MATT并行的創新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，能夠從故障信號頻域、時域特征中屬于提取出對模型識別重要的特征，效果明顯，創新度高!

3.2 模型評估

準確率、精確率、召回率、F1 Score

故障十分類混淆矩陣：

3.3 其他可視化圖

（1）分類標簽可視化

（2）原始數據 t-SNE特征可視化

（3）模型訓練后的 t-SNE特征可視化：

本文轉載自??建模先鋒??，作者：小蝸愛建模