前言
多源信息融合的滚动轴承故障诊断是一种结合来自多个传感器或信号源的信息，以提高故障检测和诊断准确性的方法。在滚动轴承故障诊断领域，多源信息融合已被广泛应用以提升诊断的准确性和鲁棒性。相较于传统的数据层融合和特征层融合，本期提出了一种基于特征信号VMD分解与CNN-Transformer融合的故障诊断模型，进一步挖掘信号的时频特征并提升时序依赖建模能力。
在前两期期推出的多源信息融合+故障诊断模型合集基础上：
（1） 经典卷积网络故障诊断模型合集
（2）数据层融合+特征层融合的故障诊断模型！
本期继续更新：基于特征信号 VMD 分解+CNN-Transformer的故障诊断模型。
（适合多传感器、多特征列的信号分类任务）
● 数据集：东南大学轴承故障数据集
● 环境框架：python 3.9 pytorch 2.1 及其以上版本均可运行
● 准确率：测试集100%
● 使用对象：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。
1 模型流程简介
1.1 多源特征信号VMD分解
针对多源故障振动信号，首先应用变分模态分解（Variational Mode Decomposition, VMD）对原始特征信号进行多模态分解，将复杂信号分解为若干本征模态函数（IMFs），有效捕获信号的局部时频特征。同时，VMD具有较好的噪声抑制能力，为后续的特征提取提供更纯净且更具判别性的输入。
1.2 CNN-Transformer融合特征提取
在VMD分解得到的多模态信号基础上，设计了融合卷积神经网络（CNN）和Transformer的深度学习架构：
- CNN模块利用1D卷积捕捉时间序列信号的局部时域特征，自动提取信号的多层次表征。
- Transformer模块基于自注意力机制，能够捕获信号的长距离依赖关系与全局时序动态，弥补CNN对全局信息建模的不足。
- 最后，将CNN和Transformer提取的多尺度时频特征进行融合，输入全连接层完成故障类别判别。
2 多源轴承故障数据的预处理
2.1 导入数据
东南大学数据集 主要分为轴承数据集和齿轮箱数据集，每个故障类型均对应这个两种工况（转速20Hz（1200rpm）-负载0V(0Nm) 和转速30Hz(1800rpm)-负载2V(7.32Nm)）分别对应着gearset和bearingset文件夹。 轴承数据集（5种类型）：
- 滚珠故障（Ball fault）
- 内圈故障（Inner ring fault）
- 外圈故障（Outer ring fault）
- 复合故障（Combination fault on both inner ring and outer ring）
- 正常运行（Health woring state）
我们以5分类轴承数据集进行预处理讲解， 数据集为8通道！
2.2 VMD分解与预处理
分解可视化：
由于数据量过大，以一部分数据和四通道为例，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，划分完成的数据集分布情况如下：
3 基于CNN-Transformer特征融合的故障诊断模型
3.1 设置参数，训练模型
50个epoch，准确率100%，用 VMD+CNN-Transformer特征融合 网络分类效果显著 ，能够 从多源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5分类混淆矩阵：
（3）分类标签可视化
（4）原始数据 t-SNE特征可视化
（5）模型训练后的 t-SNE特征可视化：
有建模需求或论文指导的朋友请关注公众号，联系博主
点击下载：原文完整数据、Python代码
多源信息融合+基于多尺度卷积MSCNN-BiGRU并行的故障诊断模型！
前言
多源信息融合技术通过整合来自不同传感器的数据，结合数据挖掘和深度学习方法，提高了故障诊断的精准度和稳定性。深度神经网络（DNN）尤其卷积神经网络（CNN）和循环神经网络（RNN）在时序信号处理领域表现出强大的特征学习和模式识别能力。多尺度卷积神经网络（MSCNN）通过不同尺度的卷积核实现丰富的空间特征提取，能够捕获信号中的局部与全局信息。结合双向门控循环单元网络（BiGRU），则进一步挖掘时序依赖关系。基于此，本文提出基于Python的MSCNN-BiGRU并行融合模型，实现多源振动信号的高效特征提取和融合分类。
在前四期期推出的多源信息融合+故障诊断模型合集基础上：
（1） 经典卷积网络故障诊断模型合集
（2）数据层融合+特征层融合的故障诊断模型！
（3） 多源信息融合！基于特征信号VMD分解+CNN-Transformer的故障诊断模型！
xxxx
本期继续更新：基于MSCNN-BiGRU并行的故障诊断模型。
（适合多传感器、多特征列的信号分类任务）
● 数据集：东南大学轴承故障数据集
● 环境框架：python 3.9 pytorch 2.1 及其以上版本均可运行
● 准确率：测试集99%
● 使用对象：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/YZWYlJpwbQ==
1 更新简介
1.1 增加模型视频教程：
增加了详细的视频教程，深入浅出的讲解，可以作为多源信息融合故障诊断系列模型的入门级学习教程 ！新增模型参数介绍！
1.2 pycharm 代码更新：
我们严格按照 完整的 GitHub- Pytorch深度学习项目结构，重新编写了代码，方便大家学习养成规范的代码编写习惯！后续如有需要编写论文的开源代码，也可仿照重构代码！
2 多源轴承故障数据的预处理
2.1 导入数据
东南大学数据集 主要分为轴承数据集和齿轮箱数据集，每个故障类型均对应这个两种工况（转速20Hz（1200rpm）-负载0V(0Nm) 和转速30Hz(1800rpm)-负载2V(7.32Nm)）分别对应着gearset和bearingset文件夹。 轴承数据集（5种类型）：
- 滚珠故障（Ball fault）
- 内圈故障（Inner ring fault）
- 外圈故障（Outer ring fault）
- 复合故障（Combination fault on both inner ring and outer ring）
- 正常运行（Health woring state）
我们以5分类轴承数据集进行预处理讲解, 数据集为8通道！
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，划分完成的数据集分布情况如下：
3 MSCNN-BiGRU并行模型简介
3.1 模型简介
（1）多源信息融合框架
多源信息融合指利用来自轴承不同传感器的多通道数据，将多种特征相互补充融合，降低单源数据噪声影响，提高故障识别稳定性。本文以多个加速度传感器采集的多信号作为模型输入，构建统一的时空特征学习网络。
（2）多尺度卷积神经网络（MSCNN）
MSCNN采用不同尺寸的卷积核并行或串联设置，能够提取不同感受野的空间特征，捕获轴承振动信号的局部纹理及全局模式。具体采用1D卷积适应时间序列数据，部分层级并行多尺度卷积后进行特征融合。
（3）双向门控循环单元（BiGRU）
BiGRU由双向GRU单元构成，分别从序列正向和反向提取时序特征，能够有效捕获时间序列中的前后依赖关系。结合全连接和注意力机制，提升模型对关键时刻特征响应能力。
（4）MSCNN与BiGRU并行融合结构
本模型设计了并行结构，将MSCNN和BiGRU模块并行处理多源输入数据，分别提取空间和时序特征，最后将特征向量拼接输入全连接层进行多分类预测。该设计充分利用各模块优势，实现时空特征互补。
3.2 设置参数，训练模型
50个epoch，准确率99.85%，用 MSCNN-BiGRU 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 !
3.3 模型评估
（1）准确率、精确率、召回率、F1 Score
（2）故障5分类混淆矩阵：
有建模需求或论文指导的朋友请关注公众号，联系博主
点击下载：原文完整数据、Python代码
https://mbd.pub/o/bread/YZWYlJpwbQ==
往期精彩内容：
速发论文 | 基于 2D-SWinTransformer+1D-CNN-SENet并行故障诊断模型
轴承寿命预测重大更新！新增CNN-BiGRU-Attention模型合集+丰富可视化图表
超强！一区直接写！基于SSA+Informer-SENet故障诊断模型
创新首发！齿轮箱故障诊断：基于MTF+Swin-Informer的多模态创新模型
基于多尺度卷积神经网络（MSCNN-1D）的轴承信号故障诊断模型
创新首发！基于CNN-BiLSTM-KAN模型的滚动轴承剩余使用寿命预测
高创新！基于FFT+WDCNN-Transformer时频域融合的轴承故障诊断模型
END
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集