前言

本期推出一种基于K-NN + GCN 和 基于全局注意力机制优化的BiGRU 并行分类模型，在故障诊断任务上效果显著！

1 模型简介与创新点介绍

1.1 模型简介

在应用图卷积网络(Graph Convolutional Networks, GCN)到信号模式识别领域中，最关键的是如何构建数据的图结构；我们利用基于K-NN的轴承故障信号预处理的方法，来构建故障信号序列的图结构，并用GCN+BiGRU-GlobalAttention网络模型进行诊断识别，取得了一定精度的分类效果。

● 数据集：CWRU西储大学轴承数据集

● 环境框架：python 3.9  pytorch 1.8 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。

注意：我们还有配套的模型讲解（方便学习网络结构）和参数调节讲解！有毕业设计或者发小论文需求的同学必看，模块丰富，创新度高，性能优越！！

链接：https://mbd.pub/o/bread/ZpaTm5lx

1.2 创新点介绍

基于 KNN-GCN+BiGRU-GATT 的高创新模型

创新度高，效果明显！！创新点：

创新一：利用K-NN创建故障信号图结构

轴承信号是一维序列，我们可以通过构建图结构来捕捉序列之间的相对位置关系。使用k近邻方法来建立节点之间的边连接关系。对于每个节点，找到其最近的k个邻居节点，并将它们与该节点连接起来。这样可以形成轴承信号的图结构，其中每个节点对应一个数据点，边表示节点之间的连接关系；

创新二：利用GCN网络进行故障诊断

（1） 处理图结构数据：经过预处理的轴承信号可以被视为一个复杂的图结构，其中节点代表不同的序列位置，边代表它们之间的关联。GCN网络是专门设计用于处理图结构数据的深度学习模型，能够充分利用节点和边的拓扑结构信息，有助于挖掘故障信号中的复杂关联和模式。

（2）捕捉局部和空间信息：GCN网络通过多层图卷积层的堆叠，可以逐步聚合节点的局部邻居信息，并最终得到包含全局信息的节点表示。在轴承故障领域，这种能力使得GCN网络能够同时捕捉局部振动特征和整体空间系统状态，从而提高故障诊断和预测的准确性。

（3）自动学习特征表示：GCN网络可以自动学习节点的特征表示，无需手动设计特征工程。在轴承故障领域，这意味着GCN网络可以从原始振动数据中提取关键特征，识别故障模式。

创新三：提出一种基于GlobalAttention优化的BiGRU网络模型来提取故障信号全局时域特征；（独家原创）

创新四：通过并行模型融合两个分支提取的局部空间特征和全局时域特征，从而提高特征的表示能力来实现故障信号的识别，取得了极佳的效果！

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

上图是数据的读取形式以及预处理思路

2.2  数据预处理，制作数据集

3 基于 KNN-GCN+BiGRU-GATT 的轴承故障诊断

3.1 定义KNN-GCN+BiGRU-GATT分类网络模型

3.2 设置参数，训练模型

50个epoch，准确率99%，用KNN-GCN+BiGRU-GATT网络分类效果显著 ， 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，效果明显 !

3.3 模型评估

准确率、精确率、召回率、F1 Score

故障十分类混淆矩阵：

其他可视化图：

（1） 原始数据 t-SNE特征可视化

（2） 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