前言
本期基于凯斯西储大学（CWRU）轴承数据集，实现基 Python-Pytorch 框架的 WDCNN 网络的故障诊断算法流程实现。并更新在轴承故障诊断全家桶中， 请同学们更新后按照视频教程进行运行学习！
● 数据集：凯斯西储大学（CWRU）轴承数据集
● 环境框架：python 3.11 pytorch 2.1 及其以上版本均可运行
● 准确率：测试集100%
● 使用对象：初学者、论文需求、毕业设计需求者
● 代码保证：代码注释详细、即拿即可跑通。
下载地址：
https://mbd.pub/o/bread/YZWVl5hsZA
1 WDCNN 简介
1.1 模型简介
WDCNN（Deep Convolutional Neural Networks with Wide First-layer Kernels，第一层宽卷积核深度卷积神经网络）将传统的CNN第一层卷积核尺寸加宽，提高了模型对一维振动信号中的空间特征信息的提取能力。
如图所示，CNN的输入是一段归一化的轴承故障振动时间信号。第一卷积层从输入原始信号中提取特征，而不进行任何其他变换。所提出的WDCNN模型的整体架构与普通CNN模型的架构相同。它由一些滤波阶段和一个分类阶段组成。主要区别在于，在滤波阶段，第一个卷积核是宽的，而接下来的卷积核是小的（具体来说，3×1）。与小核相比，第一卷积层中的宽核可以更好地抑制高频噪声。多层小卷积核使网络更深，这有助于获得输入信号的良好表示并提高网络的性能。在卷积层和全连接层之后立即实现批量归一化，以加速训练过程 。
1.2 网络结构介绍
实验中使用的WDCNN架构由五个卷积和池化层、一个全连接隐藏层以及最后的softmax层组成。第一个卷积核大小为 64 ×1 ，其余核大小为 3 ×1 。池化类型为最大池化，激活函数为ReLU。在每个卷积层和全连接层之后，使用批归一化来提高WDCNN的性能。
2 CWRU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：
2.2 数据集预处理
通过滑动窗口制作数据集，并按照7：2：1均匀划分训练集、验证集、测试集，最后保存数据。
3 基于WDCNN的故障诊断模型
3.1 定义网络模型, 设置参数，训练模型
50个epoch，准确率100%，用 WDCNN 网络分类效果显著 ，能够 从故障信号特征中提取出对模型识别重要的特征，效果明显 !
3.2 模型评估
（1）准确率、精确率、召回率、F1 Score
（2）故障10分类混淆矩阵：
3 更新下载
我们将代码、数据已经打包好，在如下三个全家桶里面进行了更新，请购买过全家桶的同学及时更新下载！
（1）27个轴承故障诊断模型 | 全网性价比最高全家桶
下载链接：
https://mbd.pub/o/bread/ZZiXm55w
（2）轴承故障诊断—创新模型全家桶
故障诊断 | 创新模型更新：基于SSA-CNN-Transformer诊断模型
下载链接：
https://mbd.pub/o/bread/ZZiXm55w
（3）轴承故障—交叉注意力创新模型全家桶
下载链接：
https://mbd.pub/o/bread/ZZ6TmZds
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
Pytorch-Transformer轴承故障一维信号分类(三)
Python轴承故障诊断 (四)基于EMD-CNN的故障分类
Python轴承故障诊断 (五)基于EMD-LSTM的故障分类
Python轴承故障诊断 (六)基于EMD-Transformer的故障分类
Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类
Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类
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
基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型
Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类
Python轴承故障诊断 (十)基于VMD+CNN-Transfromer的故障分类
Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类
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
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
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
Python轴承故障诊断 (15)基于CNN-Transformer的一维故障信号识别模型
Python轴承故障诊断 (18)基于CNN-TCN-Attention的创新诊断模型
基于 GADF+Swin-CNN-GAM 的高创新轴承故障诊断模型
Python轴承故障诊断 (19)基于Transformer-BiLSTM的创新诊断模型
1. 版权声明：原创不易，转载请注明转自微信公众号[建模先锋]
2. 喜欢的朋友可以点个关注，给文章点个“在看”，分享朋友圈或讨论群
3. 关注微信公众[建模先锋], 回复”轴承故障“免费获取凯斯西储大学轴承数据