此代码已经继续加入 轴承故障诊断—创新模型全家桶：轴承故障诊断—创新模型全家桶 (mbd.pub)
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)
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98%，用VMD-CNN-BiTCN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VMD-CNN-BiTCN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；
注意：本模型继续加入 轴承故障诊断—创新模型全家桶 中，之前购买的同学请及时更新下载!
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！！！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/mbd-ZZmYlJ1t
基于VMD-CNN-BiTCN的轴承故障诊断创新模型：
1.创新点：
利用VMD将原始信号分解为多个模态分量，来提取信号的频域特征和时域特征； CNN 可以用于提取信号的局部空间特征并 通过CNN卷积池化层降低信号序列长度，增加数据维度； BiTCN 是一种双向时序卷积网络，可以有效地捕获信号的时序信息 。双向结构有助于模型捕获信号的动态特征；
2. 原理流程：
首先，使用 VMD 对原始轴承信号进行分解，得到多个模态分量； 每个模态分量作为输入，经过 CNN 进行特征提取和抽象； CNN 提取的特征再经过 BiTCN 进行时序建模和特征融合； 最终，利用融合后的特征进行轴承故障的诊断和分类； 通过结合两种模型，创新模型可以在轴承故障诊断任务中取得更好的性能和效果 ，提高故障诊断的准确率和效率。
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 VMD-CNN-BiTCN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 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 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。
第二步，故障VMD分解可视化
1.3 故障数据的VMD分解预处理
2 基于Pytorch的VMD-CNN-BiTCN创新诊断模型
2.1 定义VMD-CNN-BiTCN分类网络模型
2.2 设置参数，训练模型
100个epoch，准确率98%，VMD-CNN-BiTCN网络分类效果显著，CNN-BiTCN模型能够充分提取轴承故障信号的多尺度特征，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层数和每层维度数，微调学习率；
- 微调BiTCN层数和每层通道数个数，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）
2.3 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
交叉注意力融合时域、频域特征的FFT + CNN-Transformer-CrossAttention轴承故障识别模型
Python轴承故障诊断 (13)基于故障信号特征提取的超强机器学习识别模型
Python轴承故障诊断 (15)基于CNN-Transformer的一维故障信号识别模型
Python轴承故障诊断 (18)基于CNN-TCN-Attention的创新诊断模型
基于 GADF+Swin-CNN-GAM 的高创新轴承故障诊断模型
END
1. 版权声明：原创不易，转载请注明转自微信公众号[建模先锋]
2. 喜欢的朋友可以点个关注，给文章点个“在看”，分享朋友圈或讨论群
3. 关注微信公众[建模先锋], 回复”轴承故障“免费获取凯斯西储大学轴承数据集