此代码已经继续加入 轴承故障诊断—创新模型全家桶：轴承故障诊断—创新模型全家桶 (mbd.pub)
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.轴承故障VMD-CNN-BiLSTM的分类模型 (mbd.pub)
3.轴承故障VMD-CNN-Transfromer的分类模型 (mbd.pub)
4.FFT+CNN-Transformer时域、频域特征融合的轴承故障识别模型 (mbd.pub)
5.FFT+CNN-BiGRU-Attention时域、频域特征注意力融合的轴承故障识别模型 (mbd.pub)
6.Python轴承故障诊断 (18)基于CNN-TCN-Attention的创新诊断模型 (mbd.pub)
7.轴承故障创新模型：时空特征融合注意力机制的故障识别模型 (mbd.pub)
8.Python轴承故障诊断 (21)基于VMD-CNN-BiTCN的创新诊断模型 (mbd.pub)
9.Python轴承故障诊断 (19)基于Transformer-BiLSTM的创新诊断模型 (mbd.pub)
10.故障诊断 | 基于SSA-CNN-Transformer的诊断模型 (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100%，用Transformer-BiLSTM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Transformer-BiLSTM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；
注意：本模型继续加入 轴承故障诊断—创新模型全家桶 中，之前购买的同学请及时更新下载!
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
基于Transformer-BiLSTM的轴承故障诊断创新模型：
1. Transformer：
Transformer 是一种基于注意力机制的深度学习模型，广泛应用于自然语言处理任务。它通过自注意力机制（Self-Attention）来捕捉输入序列中不同位置之间的依赖关系，从而实现了对序列数据的有效建模。在轴承故障诊断任务中，Transformer可以帮助模型捕捉轴承振动信号中不同时间步之间的复杂关联。
2. 双向长短期记忆网络（BiLSTM）：
双向长短期记忆网络是一种具有记忆单元和遗忘门的循环神经网络，可以有效地处理序列数据并捕捉序列中的长期依赖关系。通过同时考虑输入序列的过去和未来信息，BiLSTM可以更好地理解轴承振动信号中的时序特征和变化趋势。
3. 模型结合：
基于 Transformer-BiLSTM 的创新模型将 Transformer 和 BiLSTM 结合在一起，充分利用了两者的优势。Transformer 可以帮助模型捕捉全局的序列信息和复杂的依赖关系，而 BiLSTM 则可以更好地捕捉局部的时序特征和变化趋势。通过结合两种模型，创新模型可以在轴承故障诊断任务中取得更好的性能和效果 ，提高故障诊断的准确率和效率。
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 Transformer-BiLSTM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：
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
1.2 数据预处理，制作数据集
2 基于Pytorch的Transformer-BiLSTM创新诊断模型
2.1 定义Transformer-BiLSTM分类网络模型
2.2 设置参数，训练模型
50个epoch，准确率100%，Transformer-BiLSTM网络分类效果显著，Transformer-BiLSTM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Transformer编码器层数和每层维度数，微调学习率；
- 微调BiLSTM层数和每层神经元个数，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
故障十分类混淆矩阵：
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
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