此代码已经继续加入 轴承故障诊断—创新模型全家桶 (mbd.pub)：
https://mbd.pub/o/bread/mbd-ZZmYlJ1t
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)
创新模型全家桶更新！基于FFT+CNN-BiGRU-Attention时频域特征融合的的详细教程！
前言
本期主要更新故障诊断高创新模型全家桶：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FFT+ CNN-BiGRU-Attention模型对故障数据的分类。
我们新增了数据集和预处理的详细教程、jupyter 代码教程、pycharm 代码教程， 进行了比较规范的基于 Pycharm 编辑器进行实现的代码，并且优化了训练过程的代码。同时补充了关于 FFT+ CNN-BiGRU-Attention模型及参数的讲解视频，方便同学们入门学习！ 请同学们更新后按照视频教程进行运行！
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!（性价比极高）
全家桶链接：
https://mbd.pub/o/bread/ZZmYlJ1t
更新地址：
https://mbd.pub/o/bread/ZZick59x
1 模型简介与更新介绍
1.1 模型简介
● 数据集：CWRU西储大学轴承数据集
● 环境框架：python 3.9 pytorch 1.8 及其以上版本均可运行
● 准确率：测试集100%
● 价格：139.8 （限时优惠，加量不加价！）
● 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。
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！！！）
1.2 原理流程
1. 原理流程：
（1）原始信号输入： 输入轴承振动信号（时域信号）作为模型的初始数据。
（2）两个独立分支分别提取时频域特征
时域分支
- 直接将原始时域信号输入到CNN-BiGRU-Attention串行模型结构中；
- 通过VGG（浅层）提取时域的局部时序特征；
- 通过BiGRU-Attention模块捕获远距离的全局依赖和上下文信息；
- 最终获得时域特征表示。
频域分支
- 对原始信号进行快速傅里叶变换（FFT），获得频域特征表示；
- 将频域信号输入到CNN-BiGRU-Attention串行模型结构中；
- 类似时域分支，先由VGG（浅层）提取局部频域特征，再由BiGRU-Attention捕获频域全局依赖；
- 最终获得频域特征表示。
（3）时频域特征融合
- 将时域分支和频域分支得到的特征矩阵进行加权矩阵加法融合，实现时频域信息交融；
- 融合后的特征同时包含时序动态信息和频率成分信息。
（4）故障分类
使用融合后的特征矩阵作为输入，通过分类器（如全连接层及Softmax）进行轴承故障类别判别。
1.3 更新简介
（1）新增讲解视频：
增加了详细的 视频教程，深入浅出的讲解，可以作为故障诊断创新系列模型的学习教程 ！新增FFT+ CNN-BiGRU-Attention并行模型参数介绍！
（2）pycharm 代码更新：
我们严格按照 完整的 GitHub- Pytorch深度学习项目结构，重新编写了代码，方便大家学习养成规范的代码编写习惯！后续如有需要编写论文的开源代码，也可仿照重构代码！
2 轴承数据加载与预处理
2.1 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
2.2 故障FFT变换可视化
2.3 故障数据的预处理
3 基于FFT+CNN-BiGRU-Attention的创新诊断模型
3.1 定义FFT+ CNN-BiGRU-Attention网络模型
3.2 设置参数，训练模型
50个epoch，准确率100%，FFT+ CNN-BiGRU-Attention 网络分类效果显著， 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。
3.3 模型评估
（1）准确率、精确率、召回率、F1 Score
（2）故障十分类混淆矩阵：
（3）分类标签可视化
（4）原始数据 t-SNE特征可视化
（5）模型训练后的 t-SNE特征可视化：
有建模需求或论文指导的朋友请关注公众号，联系博主
点击下载：原文完整数据、Python代码
https://mbd.pub/o/bread/ZZmYlJ1t
往期精彩内容：
速发论文 | 基于 2D-SWinTransformer+1D-CNN-SENet并行故障诊断模型
位置编码祛魅 | 详解Transformer中位置编码Positional Encoding
超强 ！顶会创新融合！基于 2D-SWinTransformer 的并行分类网络
Transformer结构优势 ,How Much Attention Do You Need?
超强！一区直接写！基于SSA+Informer-SENet故障诊断模型
故障诊断一区直接写，图卷积+BiGRU-Attention 并行诊断模型
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