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-LSTM轴承故障一维信号分类(一)-CSDN博客
Pytorch-CNN轴承故障一维信号分类(二)-CSDN博客
Pytorch-Transformer轴承故障一维信号分类(三)-CSDN博客
Python轴承故障诊断 (一)短时傅里叶变换STFT-CSDN博客
Python轴承故障诊断 (二)连续小波变换CWT-CSDN博客
Python轴承故障诊断 (三)经验模态分解EMD-CSDN博客
Python轴承故障诊断 (四)基于EMD-CNN的故障分类-CSDN博客
Python轴承故障诊断 (五)基于EMD-LSTM的故障分类-CSDN博客
Python轴承故障诊断 (六)基于EMD-Transformer的故障分类-CSDN博客
Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类-CSDN博客
Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类-CSDN博客
Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类-CSDN博客
Python轴承故障诊断 (十)基于VMD+CNN-Transfromer的故障分类-CSDN博客
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-CSDN博客
基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客
Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类-CSDN博客
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-CSDN博客
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-CSDN博客
创新点：利用交叉注意力机制融合模型！
前言
本文基于凯斯西储大学（CWRU）轴承数据，进行变分模态分解VMD的介绍与数据预处理，最后通过Python实现基于交叉注意力CNN-BiLSTM-CrossAttention的时空特征融合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_凯斯西储大学轴承数据集-CSDN博客
模型整体结构
模型整体结构如下所示：
(1) VMD 分解：
输入：轴承振动信号
操作：通过VMD技术将原始信号分解成多个本征模态函数（IMF）
输出：每个IMF表示不同频率范围内的振动成分
(2) CNN 空间特征提取：
输入：VMD分解得到的IMFs
操作：对每个IMF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
(3) BiLSTM 时序特征提取：
输入：VMD分解得到的IMFs
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
(4) 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
1 变分模态分解VMD的Python示例
第一步，Python 中 VMD包的下载安装：
# 下载
pip install vmdpy
# 导入
from vmdpy import VMD第二步，导入相关包进行分解
import numpy as np
import matplotlib.pyplot as plt
from vmdpy import VMD
# -----测试信号及其参数--start-------------
t = np.linspace(0, 1, 1000)
signal = np.sin(2 * np.pi * 5 * t) + np.sin(2 * np.pi * 20 * t)
T = len(signal)
fs = 1/T
t = np.arange(1,T+1)/T
# alpha 惩罚系数；带宽限制经验取值为抽样点长度1.5-2.0倍.
# 惩罚系数越小，各IMF分量的带宽越大，过大的带宽会使得某些分量包含其他分量言号;
alpha = 2000
#噪声容限，一般取 0, 即允许重构后的信号与原始信号有差别。
tau = 0
#模态数量 分解模态（IMF）个数
K = 5
#DC 合成信号若无常量，取值为 0；若含常量，则其取值为 1
# DC 若为0则让第一个IMF为直流分量/趋势向量
DC = 0
#初始化ω值，当初始化为 1 时，均匀分布产生的随机数
# init 指每个IMF的中心频率进行初始化。当初始化为1时，进行均匀初始化。
init = 1
#控制误差大小常量，决定精度与迭代次数
tol = 1e-7
# -----测试信号及其参数--end----------
# Apply VMD
# 输出U是各个IMF分量，u_hat是各IMF的频谱，omega为各IMF的中心频率
u, u_hat, omega= VMD(signal, alpha, tau, K, DC, init, tol)
#得到中心频率的数值
print(omega[-1])
# Plot the original signal and decomposed modes
plt.figure(figsize=(15,10))
plt.subplot(K+1, 1, 1)
plt.plot(t, signal, 'r')
plt.title("原始信号")
for num in range(K):
plt.subplot(K+1, 1, num+2)
plt.plot(t, u[num,:])
plt.title("IMF "+str(num+1))
plt.show() 
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
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 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VMD+CNN-BiLSTM-CrossAttention的轴承故障诊断分类
下面基于VMD分解后的轴承故障数据，先把分解的分量通过CNN进行卷积池化操作提取信号的空间特征，然后同时把分量送入BiLSTM层提取时序特征，使用交叉注意力机制融合时域和频域的特征, 对特征进行增强，实现CNN-BiLSTM-CrossAttention信号的分类方法。
4.1 定义VMD+CNN-BiLSTM-CrossAttention分类网络模型
4.2 设置参数，训练模型
50个epoch，准确率将近98%，用VMD+CNN-BiLSTM-CrossAttention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，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，继续调参可以进一步提高分类准确率。
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：
