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)
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
● 数据集：CWRU西储大学轴承数据集
● 环境框架：python 3.9 pytorch 2.1.1 及其以上版本均可运行
● 准确率：测试集99%（CWRU）
● 全家桶价格：139.8 ，10个创新模型，性价比极高！
● 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。
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
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实现基于SSA- 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
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 麻雀优化算法
3.1 麻雀优化算法介绍
麻雀优化算法（Sparrow Search Algorithm，简称SSA）是一种基于自然界麻雀行为特点的优化算法，它模拟了麻雀在觅食、迁徙和社交等行为中的优化策略。该算法在解决多种优化问题方面展现出了良好的性能。
麻雀优化算法的基本思想是通过模拟麻雀的觅食行为，不断优化搜索空间中的解。算法的过程可以分为觅食行为、迁徙行为和社交行为三个阶段。
(1). 觅食行为（Foraging Behavior）：麻雀在觅食时会选择距离较近且具有较高适应度的食物源。在算法中，解空间中的每个个体被看作是一个食物源，具有适应度评价值。麻雀通过选择适应度较高的个体来寻找更优的解。
(2). 迁徙行为（Migration Behavior）：当麻雀在一个食物源周围搜索一段时间后，如果没有找到更优的解，它们会选择离开当前食物源，前往其他食物源继续寻找。在算法中，个体之间的位置信息会发生变化，以模拟麻雀的迁徙行为。
(3). 社交行为（Social Behavior）：麻雀在觅食时会通过与其他麻雀的交流来获取更多的信息，从而提高自己的觅食效率。在算法中，个体之间通过交换信息来改善自身的解，并且更新解空间中的最优解。
3.2 基于Python的麻雀优化算法实现
3.3 麻雀优化算法-超参数寻优过程
麻雀优化算法具有简单易实现、全局寻优能力和自适应性等特点，适用于解决组合优化问题。我们通过麻雀优化算法来进行CNN-Transformer模型的超参数寻优。
通过设置合适的种群规模和优化迭代次数，我们在给定的超参数范围内，搜索出最优的参数。
4 基于Pytorch的SSA-CNN-Transformer创新诊断模型
4.1 定义SSA-CNN-Transformer分类网络模型
4.2 设置参数，训练模型
50个epoch，准确率100%，SSA-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：
- 可以修改麻雀优化算法的种群规模和优化迭代次数；
- 调整CNN和Transformer层数和维度数的参数搜索范围，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：
有建模需求或论文指导的朋友请关注公众号，联系博主
点击下载：原文完整数据、Python代码
https://mbd.pub/o/bread/ZZ2Wm5Zs
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
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