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：28个模型，全网最低价，性价比极高！！！
1.Python-凯斯西储大学（CWRU）轴承数据解读与分类处理 (mbd.pub)
2.Python轴承故障诊断时频图像处理-短时傅里叶变换STFT (mbd.pub)
3.Python轴承故障连续小波变换-代码与时频图像分类 (mbd.pub)
4.Pytorch-LSTM轴承故障一维信号分类 (mbd.pub)
5.Pytorch-CNN轴承故障一维信号分类 (mbd.pub)
6.Pytorch-Transformer轴承故障一维信号分类 (mbd.pub)
7.Python基于EMD-CNN轴承故障分类 (mbd.pub)
8.Python基于EMD-LSTM轴承故障分类 (mbd.pub)
9.EMD-Transformer轴承故障分类 (mbd.pub)
10.EMD-CNN-LSTM的轴承故障分类模型 (mbd.pub)
11.EMD-CNN-GRU并行的轴承故障分类模型 (mbd.pub)
12.轴承故障识别:基于CNN-Transformer的一维故障信号诊断模型 (mbd.pub)
13.Python轴承故障诊断 (17)基于TCN-CNN并行的一维故障信号识别模型-数据 (mbd.pub)
15.轴承故障诊断 -随机森林故障分类模型 (mbd.pub)
16.轴承故障诊断 -TCN故障分类模型-数据 (mbd.pub)
17.轴承故障诊断 CNN-LSTM故障分类模型 (mbd.pub)
18.轴承故障诊断 -LSTM-Attention故障分类模型 (mbd.pub)
19.轴承故障诊断 -CNN-Attention故障分类模型 (mbd.pub)
20.轴承故障诊断 CNN-BiGRU故障分类模型 (mbd.pub)
21.轴承故障诊断 TCN-LSTM故障分类模型 (mbd.pub)
22.轴承故障诊断TCN-Attention故障分类模型 (mbd.pub)
23.Python基于CNN-TCN串行轴承故障分类 (mbd.pub)
24.轴承故障诊断EMD-CNN-TCN串行分类模型 (mbd.pub)
25.轴承故障诊断 EMD-TCN-GRU串行分类模型 (mbd.pub)
26.轴承故障诊断 EMD-CNN-Transformer故障分类模型 (mbd.pub)
27.轴承故障诊断TCN-Attention故障分类模型 (mbd.pub)
28.Python基于EMD-TCNN轴承故障分类 (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
50个epoch，准确率97%，用TCN-CNN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TCN-CNN分类代码
环境：python 3.9 pytorch 1.8 以上
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；
代码中包含三种模型融合方式
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 TCN-CNN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TCN-CNN轴承故障诊断分类
3.1 定义TCN-CNN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，同时将信号送入TCN层提取时序特征，最后把空间特征和时序特征进行融合，最终送入全连接层和softmax进行分类。
3.2 设置参数，训练模型
50个epoch，准确率将近97%，TCN-CNN网络分类效果显著，TCN-CNN模型能够充分提取轴承故障信号的全局空间和时域特征，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 TCN层数和每层维度数，微调学习率；
- 微调CNN层数和每层神经元个数，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：
往期精彩内容：
Python-凯斯西储大学（CWRU）轴承数据解读与分类处理
Pytorch-Transformer轴承故障一维信号分类(三)
Python轴承故障诊断 (四)基于EMD-CNN的故障分类
Python轴承故障诊断 (五)基于EMD-LSTM的故障分类
Python轴承故障诊断 (六)基于EMD-Transformer的故障分类
Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类
Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类
基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型
基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型
Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类
Python轴承故障诊断 (十)基于VMD+CNN-Transfromer的故障分类
Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类
交叉注意力融合时域、频域特征的FFT + CNN -BiLSTM-CrossAttention轴承故障识别模型