获取完整数据和代码，请直接＋

kang20224

提出了一种基于多维交互卷积和全局频域滤波的旋转机械故障诊断模型，模型以振动信号短时傅里叶变换生成的时频图作为输入，通过通道洗牌与分组卷积构建的轻量级多维特征交互模块，从通道、宽度、高度三个维度并行提取故障敏感特征；同时引入可学习的全局频域滤波器，在傅里叶域捕捉振动信号的周期性冲击成分，并以多级辅助分类损失强化各层级特征判别能力。

算法步骤

第一步：数据预处理。将原始一维振动信号不重叠地切分为等长片段，对每个片段进行短时傅里叶变换获得时频谱，经对数归一化和尺寸缩放后复制为三通道图像，并按故障类型分层随机划分为训练集、验证集和测试集。

第二步：浅层特征提取。将时频图输入一个标准卷积-批归一化-激活单元，进行初步空间下采样和通道扩展，得到浅层特征图。

第三步：全局频域滤波支路。对原始时频图进行二维快速傅里叶变换，计算幅度谱并学习复数权重，在频域进行滤波后反变换回空间域，得到频域增强特征图。

第四步：多维交互特征编码。利用维度特定的分组卷积，分别沿通道、高度和宽度方向进行一维卷积，实现跨维度信息交互；三种维度特征拼接后经过批归一化、激活和通道洗牌，形成多维融合特征。

第五步：多级特征抽象与压缩。通过带有下采样的多维交互模块逐级增加通道数并降低空间分辨率，构建层级化特征金字塔，每一级均引出辅助分类器。

第六步：辅助监督与联合优化。在各级特征图上施加全局平均池化和全连接层，分别计算交叉熵损失；将各级辅助损失与最终主分类器损失加权求和，反向传播优化全部参数。

第七步：故障分类与评估。将最深层特征经全局池化和分类卷积层后输出类别概率，取最大值作为预测故障类型，并在测试集上通过准确率、混淆矩阵和分类报告进行全面评估。