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)

论文创新!!!

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，还有变分模态分解VMD示例

50个epoch，准确率98%，用VMD+CNN-Transformer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VMD+CNN-Transformer分类代码

环境：python 3.9

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；

前言

本文基于凯斯西储大学（CWRU）轴承数据，进行 变分模态分解VMD 的介绍与数据预处理，最后通过Python实现VMD+CNN-Transformer对故障数据的分类。

1 变分模态分解VMD的Python示例

第一步，Python 中 VMD包的 下载安装：

# 下载

pip install vmdpy

# 导入

from vmdpy import VMD

2 轴承故障数据的预处理

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

上图是数据的读取形式以及预处理思路

2.2 故障VMD分解可视化

第一步， 模态选取

根据不同K值条件下， 观察中心频率，选定K值； 从K=4开始出现中心频率相近的模态，出现过分解，故模态数 K 选为4。

第二步，故障VMD分解可视化

2.3 故障数据的VMD分解预处理

3 基于VMD+CNN-Transformer的轴承故障诊断分类

下面基于VMD分解后的轴承故障数据，先通过CNN进行卷积池化操作提取信号的特征，增加维度，缩短序列长度，然后再送入Transformer编码器层增强特征， 实现CNN-Transformer信号 的分类方法进行讲解：

3.1 定义VMD-CNN-Transformer分类网络模型

3.2 设置参数，训练模型

50个epoch，准确率将近99%，用VMD+CNN-Transformer网络分类效果显著，CNN-Transformer模型能够充分提取轴承故障信号的全局空间和局部特征，收敛速度快，性能特别优越，继续调参可以进一步提高分类准确率。

注意调整参数：

• 可以适当增加CNN层数和隐藏层的维度，微调学习率；
• 调整Transformer编码器层数和维度数，增加更多的 epoch （注意防止过拟合）
• 可以改变维信号堆叠的形状（设置合适的长度和维度）

3.3 模型评估

准确率、精确率、召回率、F1 Score

故障十分类混淆矩阵：