作品简介

基于 FFT-VMD + BiTCN-BiGRU-CrossAttention 的诊断模型

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：

推荐--全家桶，性价比更高！！

● 数据集：经测试，模型在CWRU西储大学轴承数据集和哈工大航天发动机轴承数据集上表现分类准确率均为100%！

● 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。

论文创新!!!

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

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 + BiTCN-BiGRU-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 + BiTCN-BiGRU-CrossAttention分类代码

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

交叉注意力全家桶2.png

全网最低价，创新网络分类效果显著，模型能够充分提取轴承故障信号的空间、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！！！高性价比、高质量代码，大家可以了解一下：（所有全家桶模型会不断加入新的模型进行更新！后续会逐渐提高价格，越早购买性价比越高！！！）

https://mbd.pub/o/bread/ZZ6TmZds

注意：我们还有配套的模型讲解（方便学习网络结构）和参数调节讲解！有毕业设计或者发小论文需求的同学必看，模块丰富，创新度高，性能优越！！

文件解读.png

创新度高，效果明显！！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BiTCN网络提取故障信号预处理后的多尺度特征的空间特征，用BiGRU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

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 BiTCN-BiGRU-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：

封面.png

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BiTCN、BiGRU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——BiTCN空间特征提取：

输入：融合FFT、VMD的特征
操作：BiTCN包含两个方向的卷积操作，分别用于正向和反向的时间序列数据。BiTCN使用了时空卷积操作，将卷积核在时间和空间维度上同时滑动，以获取序列数据中不同时间点和空间位置的特征信息。
输出：能够有效地捕捉序列数据中的局部模式和全局趋势。

（5）创新网络模型——BiGRU 时序特征提取：

输入：融合FFT、VMD的特征
操作：BiGRU网络学习序列信息，关注重要的时序特征
输出：经BiGRU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。

（6）多尺度特征融合 ——交叉注意力机制特征融合：

输入：BiTCN提取的空间特征，BiGRU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：

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

2.2 故障FFT变换可视化

FFT可视化.png

2.3 故障VMD分解可视化

故障分解图.png

2.4 故障数据的特征预处理数据集制作

数据集制作.png

3 交叉注意力机制

交叉注意力机制.png

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

公式222.png

在融合过程中，我们将经过BiTCN时空卷积操作的空间特征作为查询序列，BiGRU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+BiTCN-BiGRU-CrossAttention的轴承故障诊断分类

4.1 定义FFT-VMD+BiTCN-BiGRU-CrossAttention分类网络模型

模型结构.png

4.2 设置参数，训练模型

模型训练.png

50个epoch，准确率99%，用FFT-VMD+BiTCN-BiGRU-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：