Python轴承故障诊断 (14)高创新故障识别模型

结合FFT和VMD，可以先利用FFT将信号转换到频域，得到信号的频谱信息。然后，同时对故障信号应用VMD，将其分解为一系列模态函数。这些模态函数代表了信号在不同尺度上的时域特征。通过分析这些信息，我们可以挖掘故障信号中的多尺度特征，从而更好地理解信号的时频特性。这种方法能够更全面地分析信号，有助于故障检测与诊断等应用场景中的信号处理任务。我们把经过FFT和VMD提取的多尺度特征融合后，作为创新网络模型的输入，送入网络中去训练。

（4）创新网络模型——CNN空间特征提取：

输入：融合FFT、VMD的特征
操作：对每个输入特征进行卷积和池化操作，提取空间特征
输出：卷积池化后的特征表示，用于捕获不同频率下的振动空间特征

（5）创新网络模型——BiLSTM 时序特征提取：

输入：融合FFT、VMD的特征
操作：双向LSTM网络学习序列信息，关注重要的时序特征
输出：经BiLSTM处理后的时序特征表示，具有更好的故障信号时序建模能力

（5）多尺度特征融合——交叉注意力机制特征融合：

输入：CNN提取的空间特征，BiLSTM提取的时序特征
交叉注意力机制：使用交叉注意力机制融合时域和频域的特征。可以通过计算注意力权重，使得模型更关注重要的特征，提高模型性能和泛化能力

2 轴承故障数据的预处理

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

2.2 故障FFT变换可视化

2.3 故障VMD分解可视化

2.4 故障数据的特征预处理数据集制作

3 交叉注意力机制

3.1 Cross attention概念

Transformer架构中混合两种不同嵌入序列的注意机制
两个序列必须具有相同的维度
两个序列可以是不同的模式形态（如：文本、声音、图像）
一个序列作为输入的Q，定义了输出的序列长度，另一个序列提供输入的K&V

3.2 Cross-attention算法

拥有两个序列S1、S2
计算S1的K、V
计算S2的Q
根据K和Q计算注意力矩阵
将V应用于注意力矩阵
输出的序列长度与S2一致

在融合过程中，我们将经过CNN卷积池化操作的空间特征作为查询序列，BiLSTM输出的时序特征作为键值对序列。通过计算查询序列与键值对序列之间的注意力权重，我们可以对不同特征之间的关联程度进行建模。

4 基于FFT-VMD+CNN-BiLSTM-CrossAttention的轴承故障诊断分类

4.1 定义FFT-VMD+CNN-BiLSTM-CrossAttention分类网络模型

4.2 设置参数，训练模型

50个epoch，准确率100%，用FFT-VMD+CNN-BiLSTM-CrossAttention网络分类效果显著，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，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，交叉注意力机制能够对不同特征之间的关联程度进行建模，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!

注意调整参数：

可以适当增加CNN层数和隐藏层的维度，微调学习率；
调整BiLSTM层数和维度数，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）

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：

5 代码、数据整理如下：

标签：轴承,14,Python,VMD,FFT,故障诊断,故障,特征,CNN
From： https://blog.csdn.net/2402_85668383/article/details/143241172

Python轴承故障诊断 (14)高创新故障识别模型

往期精彩内容：

创新点：

前言

1 模型整体结构

1.1 模型整体结构如下所示：

1.2 创新点详细介绍：