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!!!
- 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)
- 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)
- 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)
- Python轴承故障诊断 (14)高创新故障识别模型 (mbd.pub)
- Python轴承故障诊断 (16)高创新故障识别模型(二) (mbd.pub)
- Python轴承故障诊断 (20)高创新故障识别模型(三) (mbd.pub)
- 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%