?前言

本文基于凱斯西儲大學(xué)（CWRU）軸承數(shù)據(jù)，進(jìn)行快速傅里葉變換（FFT）和變分模態(tài)分解VMD的數(shù)據(jù)預(yù)處理，最后通過Python實現(xiàn)基于VGGSENet-BiGRUGlobalAttention的時空特征融合模型對故障數(shù)據(jù)的分類。

1 模型整體結(jié)構(gòu)

預(yù)處理:一維故障信號分別經(jīng)過FFT變換、VMD分解處理，然后把變換分解后的結(jié)果進(jìn)行堆疊。

分支一：通過基于通道注意力機制(SENet)的改進(jìn)VGG模型網(wǎng)絡(luò)，來自適應(yīng)地調(diào)整通道特征的權(quán)重，使模型能夠自動學(xué)習(xí)到不同通道的重要性，提取了軸承故障信號中與故障相關(guān)的重要空間特征；

分支二：預(yù)處理后的數(shù)據(jù)同時通過基于GlobalAttention優(yōu)化的BiGRU網(wǎng)絡(luò),GlobalAttention是一種用于加強模型對輸入序列不同部分的關(guān)注程度的機制。在 BiGRU 模型中，全局注意力機制可以幫助模型更好地聚焦于輸入序列中最相關(guān)的部分，從而提高模型的性能和泛化能力。在每個時間步，全局注意力機制計算一個權(quán)重向量，表示模型對輸入序列各個部分的關(guān)注程度，然后將這些權(quán)重應(yīng)用于 BiGRU 輸出的特征表示，通過對所有位置的特征進(jìn)行加權(quán)，使模型能夠更有針對性地關(guān)注重要的時域特征, 提高了模型對軸承故障信號時域特征的感知能力；

特征融合：然后兩個分支提取的空間特征和全局時域特征通過堆疊融合，使模型能夠更好地融合不同層次的特征表示，提高模型性能和泛化能力。

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、驗證集、測試集，最后保存數(shù)據(jù)

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FFT-VMD+VGGSENet-BiGRUGlobalAttention的軸承故障診斷分類

3.1 定義VGGSENet-BiGRUGlobalAttention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100%，用FFT-VMD+VGGSENet-BiGRUGlobalAttention網(wǎng)絡(luò)分類效果顯著，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中的多尺度特征，VGGSENet-BiGRUGlobalAttention創(chuàng)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(yōu)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(chuàng)新度高!

注意調(diào)整參數(shù)：

• 可以適當(dāng)調(diào)整VGG層數(shù)和隱藏層的維度，微調(diào)學(xué)習(xí)率；
• 調(diào)整BiGRU層數(shù)和注意力維度數(shù)，增加更多的 epoch （注意防止過擬合）
• 可以改變一維信號堆疊的形狀（設(shè)置合適的長度和維度）

3.3 模型評估

準(zhǔn)確率、精確率、召回率、F1 Score

點擊下載：原文完整數(shù)據(jù)、Python代碼https://mbd.pub/o/bread/ZZ2blZ9p

本文轉(zhuǎn)載自??  建模先鋒??，作者：小蝸愛建模