此代码已经继续加入 轴承故障—交叉注意力创新模型 全家桶:轴承故障—交叉注意力创新模型全家桶 (mbd.pub)
全家桶包括以下内容:
- 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)
推荐--全家桶,性价比更高!!
● 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
● 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%
● 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。
创新点:
1.预处理部分:结合快速傅里叶变换FFT和变分模态分解VMD来进行信号的时频、域特征提取,能够挖掘故障信号中的多尺度特征;
2.然后是利用CNN卷积神经网络提取故障信号预处理后的多尺度特征的空间特征,用BiLSTM提取故障信号预处理后的多尺度特征的时域特征;
3.最后利用交叉注意力进行时空特征的融合,从而提高特征的表示能力来实现故障信号的识别
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FFT-VMD+CNN-BiLSTM-CrossAttention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FFT、VMD 、CNN-BiLSTM-CrossAttention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,进行快速傅里叶变换(FFT)和变分模态分解VMD的数据预处理,最后通过Python实现基于交叉注意力 CNN-BiLSTM-CrossAttention的时空特征融合模型对故障数据的分类。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
1 模型整体结构
1.1 模型整体结构如下所示:
一维故障信号分别经过FFT变换、VMD分解处理,然后把变换分解后的结果进行堆叠,通过CNN、BiLSTM网络提取空间、时域特征,最后通过使用交叉注意力机制融合时域和频域的特征。可以通过计算注意力权重,使得模型更关注重要的特征,提高模型性能和泛化能力。
1.2 创新点详细介绍:
当处理故障信号时,时频域特征提取是非常重要的,而结合快速傅里叶变换( FFT )和变分模态分解( VMD )可以有效地挖掘信号中的多尺度特征。
(1)预处理——FFT:
FFT 是一种广泛应用的频域分析方法,可以将信号从时域转换到频域,得到信号的频谱信息。通过 FFT ,我们可以获取信号在不同频率上的能量分布,进而了解信号的频率成分。然而, FFT 只提供了信号在某个时刻的频谱信息,无法反映信号随时间的变化。
(2)预处理——VMD:
为了解决这个问题,可以引入变分模态分解( VMD )。 VMD 是一种基于信号自适应调整的模态分解方法,可以将信号分解为一系列模态函数,每个模态函数代表信号在不同尺度上的特征。通过 VMD ,我们可以获得信号在不同尺度上的时域特征信息。
(3)预处理——特征融合:
结合 FFT 和 VMD ,可以先利用 FFT 将信号转换到频域,得到信号的频谱信息。然后,同时对故障信号应用 VMD ,将其分解为一系列模态函数。这些模态函数代表了信号在不同尺度上的时域特征。通过分析这些信息,我们可以挖掘故障信号中的多尺度特征,从而更好地理解信号的时频特性。 这种方法能够更全面地分析信号,有助于故障检测与诊断等应用场景中的信号处理任务。 我们把经过 FFT 和 VMD 提取的多尺度特征融合后,作为创新网络模型的输入,送入网络中去训练。
(4)创新网络模型——CNN空间特征提取:
- 输入:融合FFT、VMD的特征
- 操作:对每个输入特征进行卷积和池化操作,提取 空间特征
- 输出:卷积池化后的特征表示,用于捕获不同频率下的振动空间特征
(5)创新网络模型——BiLSTM 时序特征提取:
- 输入:融合FFT、VMD的特征
- 操作:双向LSTM网络学习序列信息,关注重要的时序特征
- 输出:经BiLSTM处理后的时序特征表示,具有更好的故障信号时序建模能力
(5)多尺度特征融合 ——交叉注意力机制特征融合:
- 输入:CNN提取的空间特征,BiLSTM提取的时序特征
- 交叉注意力机制:使用交叉注意力机制融合时域和频域的特征。可以通过计算注意力权重,使得模型更关注重要的特征,提高模型性能和泛化能力
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
2.2 故障FFT变换可视化
2.3 故障VMD分解可视化
2.4 故障数据的特征预处理数据集制作
3 交叉注意力机制
3.1 Cross attention概念
- Transformer架构中混合两种不同嵌入序列的注意机制
- 两个序列必须具有相同的维度
- 两个序列可以是不同的模式形态(如:文本、声音、图像)
- 一个序列作为输入的Q,定义了输出的序列长度,另一个序列提供输入的K&V
3.2 Cross-attention算法
- 拥有两个序列S1、S2
- 计算S1的K、V
- 计算S2的Q
- 根据K和Q计算注意力矩阵
- 将V应用于注意力矩阵
- 输出的序列长度与S2一致
在融合过程中,我们将经过CNN卷积池化操作的空间特征作为查询序列,BiLSTM输出的时序特征作为键值对序列。通过计算查询序列与键值对序列之间的注意力权重,我们可以对不同特征之间的关联程度进行建模。
4 基于FFT-VMD+CNN-BiLSTM-CrossAttention的轴承故障诊断分类
4.1 定义FFT-VMD+CNN-BiLSTM-CrossAttention分类网络模型
4.2 设置参数,训练模型
50个epoch,准确率100%,用FFT-VMD+CNN-BiLSTM-CrossAttention网络分类效果显著, 快速傅里叶变换( FFT )和变分模态分解( VMD )可以有效地挖掘信号中的多尺度特征,创新 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, 精度高,交叉注意力机制能够对不同特征之间的关联程度进行建模,从故障信号频域、时域特征中属于提取出对模型识别重要的特征,效果明显 , 创新度高!
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BiLSTM层数和维度数,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)
4.3 模型评估
准确率、精确率、召回率、F1 Score
故障十分类混淆矩阵: