轴承故障—交叉注意力创新模型全家桶

作品简介

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%








创作时间: