?前言

本文基于凱斯西儲(chǔ)大學(xué)（CWRU）軸承數(shù)據(jù)和東南大學(xué)軸承數(shù)據(jù)，進(jìn)行快速傅里葉變換（FFT）和變分模態(tài)分解VMD的數(shù)據(jù)預(yù)處理，最后通過Python實(shí)現(xiàn)基于2D-SWinTransformer + 1D-CNN-SENet并行的特征融合模型對(duì)故障數(shù)據(jù)的分類。

1 模型泛化實(shí)驗(yàn)--西儲(chǔ)大學(xué)數(shù)據(jù)集

1.1 設(shè)置參數(shù)，訓(xùn)練模型

1.2 模型評(píng)估

準(zhǔn)確率、精確率、召回率、F1 Score

故障十分類混淆矩陣：

其他可視化圖：

（1）分類標(biāo)簽可視化

（2）原始數(shù)據(jù) t-SNE特征可視化

（3）模型訓(xùn)練后的 t-SNE特征可視化：

（4）模型訓(xùn)練過程可視化：

2 模型泛化實(shí)驗(yàn)--東南大學(xué)軸承數(shù)據(jù)集

2.1 設(shè)置參數(shù)，訓(xùn)練模型

2.2 模型評(píng)估

準(zhǔn)確率、精確率、召回率、F1 Score

故障五分類混淆矩陣：

其他可視化圖：

（1）分類標(biāo)簽可視化

（2）原始數(shù)據(jù) t-SNE特征可視化

（3）模型訓(xùn)練后的 t-SNE特征可視化：

3 模型對(duì)比實(shí)驗(yàn)--東南大學(xué)軸承數(shù)據(jù)集

與常規(guī)深度學(xué)習(xí)模型進(jìn)行對(duì)比

對(duì)比實(shí)驗(yàn)結(jié)果如表所示，在東南大學(xué)軸承數(shù)據(jù)集上CNN類卷積網(wǎng)絡(luò)要好于用于時(shí)序任務(wù)上的LSTM、TCN等模型；Transformer因其結(jié)構(gòu)的優(yōu)勢(shì)和注意力機(jī)制表現(xiàn)出良好的性能；對(duì)比常見的深度學(xué)習(xí)模型，我們所推出的創(chuàng)新模型效果最好！

基于窗口注意力機(jī)制的 SwinTransformer結(jié)合通道注意力優(yōu)化的1DCNN網(wǎng)絡(luò)能夠更好地融合不同層次的特征表示，使得模型更關(guān)注重要的特征，提高模型性能和泛化能力。

4 模型消融實(shí)驗(yàn)--東南大學(xué)軸承數(shù)據(jù)集

模型自身模塊的消融實(shí)驗(yàn)

并不是所有的模型都"敢"做消融實(shí)驗(yàn)，我們提出的創(chuàng)新模型經(jīng)受住了消融實(shí)驗(yàn)的檢驗(yàn)，可以看出不同模塊對(duì)于實(shí)驗(yàn)結(jié)果的提升，有著明顯的作用！

總結(jié)：

我們創(chuàng)造性的提出一種 VMD-FFT預(yù)處理，2D-SwinTransformer+ 1DCNN-SENet的并行診斷模型，在多個(gè)數(shù)據(jù)集上表現(xiàn)優(yōu)越，有著良好的泛化性能！通過對(duì)比試驗(yàn)、消融實(shí)驗(yàn)等大量的對(duì)比驗(yàn)證工作，能夠表明我們所提模型在軸承故障診斷任務(wù)上效果明顯！創(chuàng)新度高!

本文轉(zhuǎn)載自??建模先鋒??，作者： 小蝸愛建模 ????