顶会创新融合！ | 基于 2D-SWinTransformer + TCN-SENet 的并行分类模型

作品简介

导读.png

● 数据集：CWRU西储大学轴承数据集

● 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。

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

基于 2D-SwinTransformer + TCN-SENet 并行的高创新模型

封面.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；（独家原创）

2.我们创造性的提出把一维故障信号不转为二维图片（对数据进行堆叠）进行基于顶会模型 SWinTransformer 的2D卷积学习，利用其窗口注意力机制提取故障信号的局部特征；（独家原创）

3. 提出一种基于通道注意力机制(SENet)的改进时间卷积网络（TCN）模型提取故障信号预处理后的多尺度特征的时空特征；（独家原创）

通道注意力机制.png

4.通过并行模型融合两个分支提取的局部特征和全局时域特征，从而提高特征的表示能力来实现故障信号的识别，取得了极佳的效果！

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2D-SWinTransformer + TCN-SENet并行的特征融合模型对故障数据的分类。

1 轴承故障数据的预处理

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：

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

1.2 故障FFT变换可视化

FFT可视化.png

1.3 故障VMD分解可视化

故障分解图.png

1.4 故障数据的特征预处理数据集制作

数据集制作.png

2 基于2D-SwinTransformer + TCN-SENet的轴承故障诊断分类

2.1 设置参数，训练模型

训练.png

训练可视化.png

2.2 模型评估

准确率、精确率、召回率、F1 Score

模型评估.png

故障十分类混淆矩阵：

混淆矩阵.png

其他可视化图：

（1）分类标签可视化

标签真实值和预测值对比.png

（2）原始数据 t-SNE特征可视化

原始测试集TSNE可视化.png

（3）模型训练后的 t-SNE特征可视化：

模型测试集TSNE可视化.png

模型分类效果显著， 50个epoch，准确率100%，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，2D-SwinTransformer + TCN-SENet并行的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，能够从故障信号频域、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!

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

面包多.png

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

Python轴承故障诊断 (一)短时傅里叶变换STFT

Python轴承故障诊断 (二)连续小波变换CWT

Python轴承故障诊断 (三)经验模态分解EMD

Pytorch-LSTM轴承故障一维信号分类(一)

Pytorch-CNN轴承故障一维信号分类(二)

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