故障診斷一區(qū)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(jī)制優(yōu)化的 BiGRU 并行分類模型，在故障診斷任務(wù)上效果顯著！
1 模型簡介與創(chuàng)新點(diǎn)介紹
1.1 模型簡介
在應(yīng)用圖卷積網(wǎng)絡(luò)(Graph Convolutional Networks, GCN)到信號模式識別領(lǐng)域中，最關(guān)鍵的是如何構(gòu)建數(shù)據(jù)的圖結(jié)構(gòu)；我們利用基于K-NN的軸承故障信號預(yù)處理的方法，來構(gòu)建故障信號序列的圖結(jié)構(gòu)，并用GCN+BiGRU-GlobalAttention網(wǎng)絡(luò)模型進(jìn)行診斷識別，取得了一定精度的分類效果。
1.2 創(chuàng)新點(diǎn)介紹
基于 KNN-GCN+BiGRU-GATT 的高創(chuàng)新模型?
創(chuàng)新度高，效果明顯?。?chuàng)新點(diǎn)：
創(chuàng)新一：利用K-NN創(chuàng)建故障信號圖結(jié)構(gòu)
軸承信號是一維序列，我們可以通過構(gòu)建圖結(jié)構(gòu)來捕捉序列之間的相對位置關(guān)系。使用k近鄰方法來建立節(jié)點(diǎn)之間的邊連接關(guān)系。對于每個節(jié)點(diǎn)，找到其最近的k個鄰居節(jié)點(diǎn)，并將它們與該節(jié)點(diǎn)連接起來。這樣可以形成軸承信號的圖結(jié)構(gòu)，其中每個節(jié)點(diǎn)對應(yīng)一個數(shù)據(jù)點(diǎn)，邊表示節(jié)點(diǎn)之間的連接關(guān)系；
創(chuàng)新二：利用GCN網(wǎng)絡(luò)進(jìn)行故障診斷
（1） 處理圖結(jié)構(gòu)數(shù)據(jù)：經(jīng)過預(yù)處理的軸承信號可以被視為一個復(fù)雜的圖結(jié)構(gòu)，其中節(jié)點(diǎn)代表不同的序列位置，邊代表它們之間的關(guān)聯(lián)。GCN網(wǎng)絡(luò)是專門設(shè)計(jì)用于處理圖結(jié)構(gòu)數(shù)據(jù)的深度學(xué)習(xí)模型，能夠充分利用節(jié)點(diǎn)和邊的拓?fù)浣Y(jié)構(gòu)信息，有助于挖掘故障信號中的復(fù)雜關(guān)聯(lián)和模式。
（2）捕捉局部和空間信息：GCN網(wǎng)絡(luò)通過多層圖卷積層的堆疊，可以逐步聚合節(jié)點(diǎn)的局部鄰居信息，并最終得到包含全局信息的節(jié)點(diǎn)表示。在軸承故障領(lǐng)域，這種能力使得GCN網(wǎng)絡(luò)能夠同時捕捉局部振動特征和整體空間系統(tǒng)狀態(tài)，從而提高故障診斷和預(yù)測的準(zhǔn)確性。
（3）自動學(xué)習(xí)特征表示：GCN網(wǎng)絡(luò)可以自動學(xué)習(xí)節(jié)點(diǎn)的特征表示，無需手動設(shè)計(jì)特征工程。在軸承故障領(lǐng)域，這意味著GCN網(wǎng)絡(luò)可以從原始振動數(shù)據(jù)中提取關(guān)鍵特征，識別故障模式。
創(chuàng)新三：提出一種基于GlobalAttention優(yōu)化的BiGRU網(wǎng)絡(luò)模型來提取故障信號全局時域特征；
創(chuàng)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(shí)現(xiàn)故障信號的識別，取得了極佳的效果！
2 軸承故障數(shù)據(jù)的預(yù)處理
2.1 導(dǎo)入數(shù)據(jù)
參考之前的文章，進(jìn)行故障10分類的預(yù)處理，凱斯西儲大學(xué)軸承數(shù)據(jù)10分類數(shù)據(jù)集：
train_set、val_set、test_set 均為按照7：2：1劃分訓(xùn)練集、驗(yàn)證集、測試集，最后保存數(shù)據(jù)
上圖是數(shù)據(jù)的讀取形式以及預(yù)處理思路
2.2 數(shù)據(jù)預(yù)處理，制作數(shù)據(jù)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(wǎng)絡(luò)模型
3.2 設(shè)置參數(shù)，訓(xùn)練模型
50個epoch，準(zhǔn)確率99%，用KNN-GCN+BiGRU-GATT網(wǎng)絡(luò)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(yōu)越，精度高，效果明顯!
3.3 模型評估
準(zhǔn)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(shù)據(jù) t-SNE特征可視化
（2）模型訓(xùn)練后的 t-SNE特征可視化：
