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

作品简介

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)

Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类

论文创新!!!

包括 完整的轴承故障数据集， 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，还有快速傅里叶变换FFT示例

50个epoch，准确率100%，用VMD+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空间和时序特征和频域特征，收敛速度快，性能优越， 迄今为止，是目前往期文章方法中精度最高的方法。创新度也有！！！

包括数据预处理的代码，和VMD+CNN-BiGRU-Attention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；

导读.png

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-BiGRU-Attenion的时空特征融合多头注意力机制对故障数据的分类。凯斯西储大学轴承数据的详细介绍可以参考下文：

Python-凯斯西储大学（CWRU）轴承数据解读与分类处理

模型整体结构

模型整体结构如下所示：

封面、.png

  1. VMD分解：
  • 输入：轴承振动信号
  • 操作：通过VMD技术将原始信号分解成多个本征模态函数（IMF）
  • 输出：每个IMF表示不同频率范围内的振动成分
  1. CNN特征提取：
  • 输入：VMD分解得到的IMFs
  • 操作：对每个IMF进行卷积和池化操作，提取局部特征
  • 输出：卷积池化后的特征表示，用于捕获不同频率下的振动特征
  1. BiGRU-Attention时序特征提取：
  • 输入：CNN提取的特征序列
  • 操作：双向GRU网络学习序列信息，Attention机制关注重要的时序特征
  • 输出：经BiGRU-Attention处理后的时序特征表示，具有更好的时序建模能力
  1. 特征增强：
  • 输入：BiGRU-Attention提取的时序特征
  • 操作：可以采用归一化、降维、特征融合等方法对特征进行增强，提高模型性能和泛化能力

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

第二步，导入相关包进行分解

信号分解.png

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：

10分类故障图.png

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

数据预处理思路.png

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。

模态选取.png


第二步，故障VMD分解可视化

故障分解图.png


2.3 故障数据的VMD分解预处理

分类处理.png


3 基于VMD-CNN-BiGRU-Attenion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BiGRU-Attenion层提取时序特征，并对特征进行增强，实现CNN-BiGRU-Attenion 的信号分类方法：


3.1 定义VMD-CNN-BiGRU-Attenion分类网络模型

模型定义.png


3.2 设置参数，训练模型

模型训练.png

50个epoch，准确率将近99%，用VMD-CNN-BiGRU-Attenion网络分类效果显著，CNN-BiGRU-Attenion模型能够充分提取轴承故障信号的空间和时序特征，收敛速度快，性能优越，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BiGRU层数和维度数，调整注意力维度数，增加更多的 epoch （注意防止过拟合）
  • 可以改变一维信号堆叠的形状（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

模型评估.png

故障十分类混淆矩阵：

混淆矩阵.png

面包多.png



创作时间：