此代码已经继续加入 轴承故障诊断—创新模型全家桶 (mbd.pub):
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 VMD-Transformer-BiGRU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
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!

1 模型简介与创新点介绍
1.1 模型简介
● 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99%
● 价格:139.8 (限时优惠,加量不加价!)
● 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
1.2 创新点介绍
基于VMD-Transformer-BiGRU的轴承故障诊断创新模型:
1.创新点:
(1) 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 ,提高信号的可分性,为后续的特征提取和分类提供更清晰的信号输入 ;
(2) Transformer 是一种基于注意力机制的深度学习模型,可以有效捕捉不同信号模态之间的相关性和全局上下文信息。在轴承故障诊断任务中,Transformer可以帮助模型捕捉轴承振动信号中不同时间步之间的复杂关联。
(3) BiGRU 是一种改进的 RNN 结构,能够从两个方向(前向和后向)处理序列数据,并且比传统的 LSTM 具有更少的参数和更高的计算效率。 BiGRU 可以进一步处理通过 Transformer 提取的特征,捕捉时间序列中的双向动态信息,增强故障模式的时间特性识别能力。
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 Transformer 进行特征提取和抽象; Transformer提取的特征再经过BiGRU 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。
2 轴承数据加载与预处理
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:
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
2.2 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
2.3 故障数据的VMD分解预处理
3 基于Pytorch的VMD+Transformer-BiGRU创新诊断模型
3.1 定义Transformer-BiGRU分类网络模型
3.2 设置参数,训练模型
100个epoch,准确率100%,VMD-Transformer-BiGRU网络分类效果显著,Transformer-BiGRU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。
3.3 模型评估
(1)准确率、精确率、召回率、F1 Score
(2)故障十分类混淆矩阵:
(3)分类标签可视化
(4)原始数据 t-SNE特征可视化
(5)模型训练后的 t-SNE特征可视化:
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/ZpWWlZpy
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