1.模型簡(jiǎn)介與創(chuàng)新點(diǎn)介紹

1.1 模型簡(jiǎn)介

● 數(shù)據(jù)集：CWRU西儲(chǔ)大學(xué)軸承數(shù)據(jù)集

● 環(huán)境框架：python 3.9  pytorch 1.8 及其以上版本均可運(yùn)行

● 準(zhǔn)確率：測(cè)試集100%

● 使用對(duì)象：論文需求、畢業(yè)設(shè)計(jì)需求者

● 代碼保證：代碼注釋詳細(xì)、即拿即可跑通。

1.2 創(chuàng)新點(diǎn)介紹

創(chuàng)新一：獨(dú)家原創(chuàng)預(yù)處理

結(jié)合快速傅里葉變換FFT和變分模態(tài)分解VMD來進(jìn)行信號(hào)的時(shí)頻、域特征提取，能夠挖掘故障信號(hào)中的多尺度特征：

（1）預(yù)處理——FFT：FFT是一種廣泛應(yīng)用的頻域分析方法，可以將信號(hào)從時(shí)域轉(zhuǎn)換到頻域，得到信號(hào)的頻譜信息。通過FFT，我們可以獲取信號(hào)在不同頻率上的能量分布，進(jìn)而了解信號(hào)的頻率成分。然而，F(xiàn)FT只提供了信號(hào)在某個(gè)時(shí)刻的頻譜信息，無法反映信號(hào)隨時(shí)間的變化。

（2）預(yù)處理——VMD：為了解決這個(gè)問題，可以引入變分模態(tài)分解（VMD）。VMD是一種基于信號(hào)自適應(yīng)調(diào)整的模態(tài)分解方法，可以將信號(hào)分解為一系列模態(tài)函數(shù)，每個(gè)模態(tài)函數(shù)代表信號(hào)在不同尺度上的特征。通過VMD，我們可以獲得信號(hào)在不同尺度上的時(shí)域特征信息。

創(chuàng)新二：雙支路特征提取并行網(wǎng)絡(luò)

（1）雙支路結(jié)構(gòu)設(shè)計(jì)：在創(chuàng)新模型中，信號(hào)經(jīng)過預(yù)處理后，通過兩個(gè)并行的特征提取支路進(jìn)行處理，以捕獲信號(hào)的不同特征：

• 1DCNN支路：利用一維卷積神經(jīng)網(wǎng)絡(luò)（1DCNN）處理經(jīng)過FFT+VMD預(yù)處理后的時(shí)序信號(hào)，著重捕捉局部時(shí)域特征，通過卷積核的滑動(dòng)實(shí)現(xiàn)平移不變性，增強(qiáng)對(duì)局部模式的識(shí)別能力。
• Informer支路：采用Informer編碼器架構(gòu)處理信號(hào)的全局特征，特別適合長(zhǎng)序列數(shù)據(jù)的建模，能夠更好地捕捉信號(hào)的時(shí)序依賴和全局模式。

（2）并行處理優(yōu)勢(shì)：兩個(gè)支路在特征提取時(shí)可以同時(shí)進(jìn)行，相互獨(dú)立但最終互補(bǔ)。1DCNN專注于短期局部特征，Informer則覆蓋長(zhǎng)期依賴和全局特征，通過這種并行處理方式，實(shí)現(xiàn)對(duì)信號(hào)多尺度、多方面特征的全面捕捉。

創(chuàng)新三：多頭注意力機(jī)制（Multi-Head Attention）特征融合

（1）多頭注意力機(jī)制融合：使用多頭注意力機(jī)制來融合來自不同支路的特征。每個(gè)注意力頭可以看作是一個(gè)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(jī)制通過計(jì)算特征之間的相關(guān)性權(quán)重，動(dòng)態(tài)調(diào)整特征的重要性，從而實(shí)現(xiàn)特征的加權(quán)融合。這種機(jī)制不僅能提升特征的表達(dá)能力，還能夠通過關(guān)注重要特征的方式增強(qiáng)模型的魯棒性，對(duì)抗噪聲和干擾。

（2）優(yōu)勢(shì)：多頭注意力機(jī)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(zhǔn)確性和泛化能力。在處理復(fù)雜信號(hào)時(shí)，能夠更好地捕獲故障信號(hào)的細(xì)微特征和模式變化，提高故障診斷的準(zhǔn)確率和可靠性。

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(chǔ)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(cè)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 故障FFT變換可視化

2.3 故障VMD分解可視化

2.4 故障數(shù)據(jù)的特征預(yù)處理數(shù)據(jù)集制作

3 基于1DCNN-Informer+MATT的軸承故障診斷模型

3.1 設(shè)置參數(shù)，訓(xùn)練模型

模型分類效果顯著，50個(gè)epoch，準(zhǔn)確率100%，快速傅里葉變換（FFT）和變分模態(tài)分解（VMD）可以有效地挖掘信號(hào)中的多尺度特征，1DCNN-Informer+MATT并行的創(chuàng)新模型能夠充分提取軸承故障信號(hào)的空間和時(shí)序特征，收斂速度快，性能優(yōu)越，精度高，能夠從故障信號(hào)頻域、時(shí)域特征中屬于提取出對(duì)模型識(shí)別重要的特征，效果明顯，創(chuàng)新度高!

3.2 模型評(píng)估

準(zhǔn)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(biāo)簽可視化

（2）原始數(shù)據(jù) t-SNE特征可視化

（3）模型訓(xùn)練后的 t-SNE特征可視化：

本文轉(zhuǎn)載自??建模先鋒??，作者：小蝸愛建模