此代码已经继续加入 凯斯西储大学（CWRU）轴承故障诊代码全家桶：https:

//mbd.pub/o/bread/mbd-ZZiXm55w

全家桶

包括以下内容：

Python-凯斯西储大学（CWRU）轴承数据解读与分类处理 (mbd.pub)

Python轴承故障诊断时频图像处理-短时傅里叶变换STFT (mbd.pub)

Python轴承故障连续小波变换-代码与时频图像分类 (mbd.pub)

Pytorch-LSTM轴承故障一维信号分类 (mbd.pub)

Pytorch-CNN轴承故障一维信号分类 (mbd.pub)

Pytorch-Transformer轴承故障一维信号分类 (mbd.pub)

Python基于EMD-CNN轴承故障分类 (mbd.pub)

Python基于EMD-LSTM轴承故障分类 (mbd.pub)

EMD-Transformer轴承故障分类 (mbd.pub)

EMD-CNN-LSTM的轴承故障分类模型 (mbd.pub)

EMD-CNN-GRU并行的轴承故障分类模型 (mbd.pub)

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

100个epoch，准确率100%，用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；

创新点：利用交叉注意力机制融合模型！

前言

本文基于凯斯西储大学（CWRU）轴承数据，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 CNN-Transformer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

模型整体结构

模型整体结构如下所示：

1 轴承数据加载与预处理

1.1 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

1.2 数据预处理，制作数据集

3 基于Pytorch的CNN-Transfromer轴承故障诊断分类

3.1 定义CNN-Transfromer分类网络模型

注意：输入数据维度为[32, 1, 1024], 先送入CNN网络进行1d的卷积池化，然后再把卷积池化的空间特征送入Transformer进行信号特征增强，最终送入全连接层和softmax进行分类。

3.2 设置参数，训练模型

100个epoch，准确率将近100%，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，效果明显。

注意调整参数：

• 可以适当增加 CNN层数和隐藏层维度数，微调学习率；
• 增加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

故障十分类混淆矩阵：