轴承故障诊断 -LSTM-Attention故障分类模型

作品简介

此代码已经继续加入 凯斯西储大学(CWRU)轴承故障诊代码全家桶:https://mbd.pub/o/bread/mbd-ZZiXm55w

全家桶包括以下内容:

1.Python-凯斯西储大学(CWRU)轴承数据解读与分类处理 (mbd.pub)

2.Python轴承故障诊断时频图像处理-短时傅里叶变换STFT (mbd.pub)

3.Python轴承故障连续小波变换-代码与时频图像分类 (mbd.pub)

4.Pytorch-LSTM轴承故障一维信号分类 (mbd.pub)

5.Pytorch-CNN轴承故障一维信号分类 (mbd.pub)

6.Pytorch-Transformer轴承故障一维信号分类 (mbd.pub)

7.Python基于EMD-CNN轴承故障分类 (mbd.pub)

8.Python基于EMD-LSTM轴承故障分类 (mbd.pub)

9.EMD-Transformer轴承故障分类 (mbd.pub)

10.EMD-CNN-LSTM的轴承故障分类模型 (mbd.pub)

11.EMD-CNN-GRU并行的轴承故障分类模型 (mbd.pub)

12.轴承故障识别:基于CNN-Transformer的一维故障信号诊断模型 (mbd.pub)

13.Python轴承故障诊断 (17)基于TCN-CNN并行的一维故障信号识别模型 (mbd.pub)

14轴承故障诊断 -SVM故障分类模型 (mbd.pub)

15.轴承故障诊断 -随机森林故障分类模型 (mbd.pub)

16.轴承故障诊断 -TCN故障分类模型-数据 (mbd.pub)

17.轴承故障诊断 CNN-LSTM故障分类模型 (mbd.pub)

18.轴承故障诊断 CNN-BiGRU故障分类模型-数据 (mbd.pub)

19.轴承故障诊断 -LSTM-Attention故障分类模型-数据 (mbd.pub)

20.轴承故障诊断 -CNN-Attention故障分类模型-数据 (mbd.pub)

21.轴承故障诊断 TCN-LSTM故障分类模型-数据 (mbd.pub)

包括 完整的CWRU轴承故障数据集, 以及已经生成制作好的故障信号数据集、分类数据和标签集,对应代码均可以运行

50个epoch,准确率98%,用LSTM-Attention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和频域特征,收敛速度快,性能优越, 精度高。创新度也有!!!

包括数据预处理的代码,和LSTM-Attention分类代码

环境:python 3.9 pytorch 1.8 以上

任何环境安装或者代码问题,请联系作者沟通交流,对于购买者,作者免费解决后续问题,关注微信公众号[建模先锋],联系作者;


全网最低价,创新网络分类效果显著,模型能够充分提取轴承故障信号的空间和时序特征和频域特征,收敛速度快,性能优越, 精度高。创新度也有!!!高性价比、高质量代码,大家可以了解一下:(所有全家桶模型会不断加入新的模型进行更新!后续会逐渐提高价格,越早购买性价比越高!!!

https://mbd.pub/o/bread/mbd-ZZmYlJ1t

前言

本文基于凯斯西储大学(CWRU)轴承数据,先经过数据预处理进行数据集的制作和加载,最后通过Pytorch实现 LSTM-Attention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

1 轴承数据加载与预处理

1.1 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:

10分类故障图.png


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


数据预处理思路.png

上图是数据的读取形式以及预处理思路


1.2 数据预处理,制作数据集

数据集制作.png

2 基于Pytorch的LSTM-Attention诊断模型

2.1 定义LSTM-Attention分类网络模型

image.png


2.2 设置参数,训练模型

image.png

50个epoch,准确率将近98%,LSTM-Attention网络分类效果显著,LSTM-Attention模型能够充分提取轴承故障信号的多尺度特征,收敛速度快,性能特别优越,效果明显。


注意调整参数:

  • 可以适当增加LSTM层数和每层维度数,微调学习率;
  • 微调注意力维度数,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)


2.3 模型评估

准确率、精确率、召回率、F1 Score

image.png


故障十分类混淆矩阵:

5.png

image.png

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

Python轴承故障诊断 (三)经验模态分解EMD

Pytorch-LSTM轴承故障一维信号分类(一)

Pytorch-CNN轴承故障一维信号分类(二)

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轴承故障诊断入门教学

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 (14)高创新故障识别模型

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 (16)高创新故障识别模型(二)

独家原创 | SCI 1区 高创新轴承故障诊断模型!

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

注意力魔改 | 超强轴承故障诊断模型!


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


创作时间: