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
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
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-CSDN博客
Python轴承故障诊断 (14)高创新故障识别模型-CSDN博客
Python轴承故障诊断 (15)基于CNN-Transformer的一维故障信号识别模型-CSDN博客
Python轴承故障诊断 (16)高创新故障识别模型（二）-CSDN博客
轴承故障全家桶更新 | 基于时频图像的分类算法-CSDN博客
Python轴承故障诊断 (17)基于TCN-CNN并行的一维故障信号识别模型-CSDN博客
独家原创 | SCI 1区 高创新轴承故障诊断模型！-CSDN博客
基于 GADF+Swin-CNN-GAM 的高创新轴承故障诊断模型-CSDN博客
Python轴承故障诊断 (18)基于CNN-TCN-Attention的创新诊断模型-CSDN博客
轴承故障全家桶更新 | 基于VGG16的时频图像分类算法-CSDN博客
轴承故障全家桶更新 | CNN、LSTM、Transformer、TCN、串行、并行模型、时频图像、EMD分解等集合都在这里-CSDN博客
Python轴承故障诊断 (19)基于Transformer-BiLSTM的创新诊断模型-CSDN博客
Python轴承故障诊断 (20)高创新故障识别模型（三）-CSDN博客
视觉顶会论文 | 基于Swin Transformer的轴承故障诊断-CSDN博客
Python轴承故障诊断 | 多尺度特征交叉注意力融合模型-CSDN博客
SHAP 模型可视化 + 参数搜索策略在轴承故障诊断中的应用-CSDN博客
速发论文 | 基于 2D-SWinTransformer+1D-CNN-SENet并行故障诊断模型-CSDN博客
Python轴承故障诊断 (21)基于VMD-CNN-BiTCN的创新诊断模型-CSDN博客
基于改进1D-VGG模型的轴承故障诊断和t-SNE可视化-CSDN博客
故障诊断 | 创新模型更新：基于SSA-CNN-Transformer诊断模型-CSDN博客
独家首发 | 基于 2D-SwinTransformer + BiGRU-GlobalAttention的并行故障诊断模型-CSDN博客
位置编码祛魅 | 详解Transformer中位置编码Positional Encoding-CSDN博客
创新点 | 基于快速傅里叶卷积（FFC） 的故障诊断模型-CSDN博客
代码开源! | 变工况下的域对抗图卷积网络故障诊断-CSDN博客
超强 ！顶会创新融合！基于 2D-SWinTransformer 的并行分类网络-CSDN博客
多模态-故障诊断 | 大核卷积开启视觉新纪元!-CSDN博客
超强！一区直接写！基于SSA+Informer-SENet故障诊断模型-CSDN博客
Transformer结构优势 ,How Much Attention Do You Need?-CSDN博客
故障诊断 | 一个小创新：特征提取+KAN分类-CSDN博客
图卷积故障诊断，新增GAT、SGCN、GIN分类模型-CSDN博客
前言
本期推出一种基于K-NN + GCN 和基于全局注意力机制优化的 BiGRU 并行分类模型，在故障诊断任务上效果显著！
1 模型简介与创新点介绍
1.1 模型简介
在应用图卷积网络(Graph Convolutional Networks, GCN)到信号模式识别领域中，最关键的是如何构建数据的图结构；我们利用基于K-NN的轴承故障信号预处理的方法，来构建故障信号序列的图结构，并用GCN+BiGRU-GlobalAttention网络模型进行诊断识别，取得了一定精度的分类效果。
● 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%
● 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！！
1.2 创新点介绍
基于 KNN-GCN+BiGRU-GATT 的高创新模型
创新度高，效果明显！！创新点：
创新一：利用K-NN创建故障信号图结构
轴承信号是一维序列，我们可以通过构建图结构来捕捉序列之间的相对位置关系。使用k近邻方法来建立节点之间的边连接关系。对于每个节点，找到其最近的k个邻居节点，并将它们与该节点连接起来。这样可以形成轴承信号的图结构，其中每个节点对应一个数据点，边表示节点之间的连接关系；
创新二：利用GCN网络进行故障诊断
（1） 处理图结构数据：经过预处理的轴承信号可以被视为一个复杂的图结构，其中节点代表不同的序列位置，边代表它们之间的关联。GCN网络是专门设计用于处理图结构数据的深度学习模型，能够充分利用节点和边的拓扑结构信息，有助于挖掘故障信号中的复杂关联和模式。
（2）捕捉局部和空间信息：GCN网络通过多层图卷积层的堆叠，可以逐步聚合节点的局部邻居信息，并最终得到包含全局信息的节点表示。在轴承故障领域，这种能力使得GCN网络能够同时捕捉局部振动特征和整体空间系统状态，从而提高故障诊断和预测的准确性。
（3）自动学习特征表示：GCN网络可以自动学习节点的特征表示，无需手动设计特征工程。在轴承故障领域，这意味着GCN网络可以从原始振动数据中提取关键特征，识别故障模式。
创新三：提出一种基于GlobalAttention优化的BiGRU网络模型来提取故障信号全局时域特征；（独家原创）
创新四：通过并行模型融合两个分支提取的局部空间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！
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 数据预处理，制作数据集
3 基于 KNN-GCN+BiGRU-GATT 的轴承故障诊断
3.1 定义KNN-GCN+BiGRU-GATT分类网络模型
3.2 设置参数，训练模型
50个epoch，准确率99%，用KNN-GCN+BiGRU-GATT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，效果明显!
3.3 模型评估
准确率、精确率、召回率、F1 Score
故障十分类混淆矩阵：
其他可视化图：
（1）原始数据 t-SNE特征可视化
（2）模型训练后的 t-SNE特征可视化：
4 代码、数据整理如下：
点击下方卡片获取代码！
