基于交叉注意力融合时域、频域特征的高创新故障诊断模型！

● 数据集：CWRU西储大学轴承数据集， （哈工大航天发动机轴承数据集 , 经测试，不提供)

● 网络框架：python 3.9  pytorch 1.8 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。

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；

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！！！

1. 轴承故障:基于交叉注意力特征融合的VMD+CNN-BiLSTM-CrossAttention故障识别模型 (mbd.pub)
2. 轴承故障:交叉注意力机制融合时域、频域特征的FFT + CNN-BiLSTM-CrossAttention识别模型 (mbd.pub)
3. 轴承故障:交叉注意力机制融合时域、频域特征的FFT + CNN-Transform-CrossAttention识别模型 (mbd.pub)
4. Python轴承故障诊断 (14)高创新故障识别模型 (mbd.pub)
5. Python轴承故障诊断 (16)高创新故障识别模型（二） (mbd.pub)
6. Python轴承故障诊断 (20)高创新故障识别模型（三） (mbd.pub)
7. Python轴承故障诊断 | 多尺度特征交叉注意力融合模型 (mbd.pub)

1.轴承故障诊断 (12)基于交叉注意力特征融合的VMD+CNN-BiLSTM-CrossAttention故障识别模型

2. 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

3.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

4.Python轴承故障诊断 (14)高创新故障识别模型

5.Python轴承故障诊断 (16)高创新故障识别模型（二）

6.Python轴承故障诊断 (20)高创新故障识别模型（三）

7.Python轴承故障诊断 | 多尺度特征交叉注意力融合模型



分类准确率：100%