Python轴承故障诊断 (14)高创新故障识别模型
温馨提示：这篇文章已超过384天没有更新，请注意相关的内容是否还可用！
目录
往期精彩内容：
创新点：
前言
1 模型整体结构
1.1 模型整体结构如下所示：
1.2 创新点详细介绍：
2 轴承故障数据的预处理
2.1 导入数据
2.2 故障FFT变换可视化
2.3 故障VMD分解可视化
2.4 故障数据的特征预处理数据集制作
3 交叉注意力机制
3.1 Cross attention概念
3.2 Cross-attention算法
4 基于FFT-VMD+CNN-BiLSTM-CrossAttention的轴承故障诊断分类
4.1 定义FFT-VMD+CNN-BiLSTM-CrossAttention分类网络模型
4.2 设置参数，训练模型
4.3 模型评估
代码、数据如下：
往期精彩内容：
Python-凯斯西储大学（CWRU）轴承数据解读与分类处理
Python轴承故障诊断 (一)短时傅里叶变换STFT
Python轴承故障诊断 (二)连续小波变换CWT_pyts 小波变换 故障-CSDN博客
Python轴承故障诊断 (三)经验模态分解EMD_轴承诊断 pytorch-CSDN博客
Pytorch-LSTM轴承故障一维信号分类(一)_cwru数据集pytorch训练-CSDN博客
Pytorch-CNN轴承故障一维信号分类(二)-CSDN博客
Pytorch-Transformer轴承故障一维信号分类(三)-CSDN博客
Python轴承故障诊断 (四)基于EMD-CNN的故障分类-CSDN博客
Python轴承故障诊断 (五)基于EMD-LSTM的故障分类-CSDN博客
Python轴承故障诊断 (六)基于EMD-Transformer的故障分类-CSDN博客
Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类-CSDN博客
Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类-CSDN博客
基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型-CSDN博客
基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客
大甩卖-（CWRU）轴承故障诊数据集和代码全家桶-CSDN博客
Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类-CSDN博客
Python轴承故障诊断 (十)基于VMD+CNN-Transfromer的故障分类-CSDN博客
Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类-CSDN博客
交叉注意力融合时域、频域特征的FFT + CNN -BiLSTM-CrossAttention轴承故障识别模型-CSDN博客
交叉注意力融合时域、频域特征的FFT + CNN-Transformer-CrossAttention轴承故障识别模型-CSDN博客
轴承故障诊断 (12)基于交叉注意力特征融合的VMD+CNN-BiLSTM-CrossAttention故障识别模型-CSDN博客
Python轴承故障诊断入门教学-CSDN博客
Python轴承故障诊断 (13)基于故障信号特征提取的超强机器学习识别模型-CSDN博客
创新点：
1.预处理部分：结合快速傅里叶变换FFT和变分模态分解VMD来进行信号的时频、域特征提取，能够挖掘故障信号中的多尺度特征；
2.然后是利用CNN卷积神经网络提取故障信号预处理后的多尺度特征的空间特征，用BiLSTM提取故障信号预处理后的多尺度特征的时域特征；
3.最后利用交叉注意力进行时空特征的融合，从而提高特征的表示能力来实现故障信号的识别
前言
本文基于凯斯西储大学（CWRU）轴承数据，进行快速傅里叶变换（FFT）和变分模态分解VMD的数据预处理，最后通过Python实现基于交叉注意力CNN-BiLSTM-CrossAttention的时空特征融合模型对故障数据的分类。凯斯西储大学轴承数据的详细介绍可以参考下文：
Python-凯斯西储大学（CWRU）轴承数据解读与分类处理_cwru数据集时域图-CSDN博客
1 模型整体结构
1.1 模型整体结构如下所示：
一维故障信号分别经过FFT变换、VMD分解处理，然后把变换分解后的结果进行堆叠，通过CNN、BiLSTM网络提取空间、时域特征，最后通过使用交叉注意力机制融合时域和频域的特征。可以通过计算注意力权重，使得模型更关注重要的特征，提高模型性能和泛化能力。
1.2 创新点详细介绍：
当处理故障信号时，时频域特征提取是非常重要的，而结合快速傅里叶变换（FFT）和变分模态分解（VMD）可以有效地挖掘信号中的多尺度特征。
（1）预处理——FFT：
FFT是一种广泛应用的频域分析方法，可以将信号从时域转换到频域，得到信号的频谱信息。通过FFT，我们可以获取信号在不同频率上的能量分布，进而了解信号的频率成分。然而，FFT只提供了信号在某个时刻的频谱信息，无法反映信号随时间的变化。
（2）预处理——VMD：
为了解决这个问题，可以引入变分模态分解（VMD）。VMD是一种基于信号自适应调整的模态分解方法，可以将信号分解为一系列模态函数，每个模态函数代表信号在不同尺度上的特征。通过VMD，我们可以获得信号在不同尺度上的时域特征信息。
（3）预处理——特征融合：
结合FFT和VMD，可以先利用FFT将信号转换到频域，得到信号的频谱信息。然后，同时对故障信号应用VMD，将其分解为一系列模态函数。这些模态函数代表了信号在不同尺度上的时域特征。通过分析这些信息，我们可以挖掘故障信号中的多尺度特征，从而更好地理解信号的时频特性。这种方法能够更全面地分析信号，有助于故障检测与诊断等应用场景中的信号处理任务。我们把经过FFT和VMD提取的多尺度特征融合后，作为创新网络模型的输入，送入网络中去训练。
（4）创新网络模型——CNN空间特征提取：
-
输入：融合FFT、VMD的特征
-
操作：对每个输入特征进行卷积和池化操作，提取空间特征
-
输出：卷积池化后的特征表示，用于捕获不同频率下的振动空间特征
（5）创新网络模型——BiLSTM 时序特征提取：
-
输入：融合FFT、VMD的特征
-
操作：双向LSTM网络学习序列信息，关注重要的时序特征
-
输出：经BiLSTM处理后的时序特征表示，具有更好的故障信号时序建模能力
（5）多尺度特征融合——交叉注意力机制特征融合：
-
输入：CNN提取的空间特征，BiLSTM提取的时序特征
-
交叉注意力机制：使用交叉注意力机制融合时域和频域的特征。可以通过计算注意力权重，使得模型更关注重要的特征，提高模型性能和泛化能力
2 轴承故障数据的预处理
2.1 导入数据
参考之前的文章，进行故障10分类的预处理，凯斯西储大学轴承数据10分类数据集：
train_set、val_set、test_set 均为按照7：2：1划分训练集、验证集、测试集，最后保存数据
2.2 故障FFT变换可视化
2.3 故障VMD分解可视化
2.4 故障数据的特征预处理数据集制作
3 交叉注意力机制
3.1 Cross attention概念
-
Transformer架构中混合两种不同嵌入序列的注意机制
-
两个序列必须具有相同的维度
-
两个序列可以是不同的模式形态（如：文本、声音、图像）
-
一个序列作为输入的Q，定义了输出的序列长度，另一个序列提供输入的K&V
3.2 Cross-attention算法
-
拥有两个序列S1、S2
-
计算S1的K、V
-
计算S2的Q
-
根据K和Q计算注意力矩阵
-
将V应用于注意力矩阵
-
输出的序列长度与S2一致
在融合过程中，我们将经过CNN卷积池化操作的空间特征作为查询序列，BiLSTM输出的时序特征作为键值对序列。通过计算查询序列与键值对序列之间的注意力权重，我们可以对不同特征之间的关联程度进行建模。
4 基于FFT-VMD+CNN-BiLSTM-CrossAttention的轴承故障诊断分类
4.1 定义FFT-VMD+CNN-BiLSTM-CrossAttention分类网络模型
4.2 设置参数，训练模型
50个epoch，准确率100%，用FFT-VMD+CNN-BiLSTM-CrossAttention网络分类效果显著，快速傅里叶变换（FFT）和变分模态分解（VMD）可以有效地挖掘信号中的多尺度特征，创新模型能够充分提取轴承故障信号的空间和时序特征，收敛速度快，性能优越，精度高，交叉注意力机制能够对不同特征之间的关联程度进行建模，从故障信号频域、时域特征中属于提取出对模型识别重要的特征，效果明显，创新度高!
注意调整参数：
-
可以适当增加CNN层数和隐藏层的维度，微调学习率；
-
调整BiLSTM层数和维度数，增加更多的 epoch （注意防止过拟合）
-
可以改变一维信号堆叠的形状（设置合适的长度和维度）
4.3 模型评估
准确率、精确率、召回率、F1 Score
故障十分类混淆矩阵：
代码、数据如下：
-
-
-
-
-
