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

注意力魔改 | 超强轴承故障诊断模型！-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

1DCNN-2DResNet并行故障诊断模型-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

基于K-NN + GCN的轴承故障诊断模型-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

故障诊断 | 信号降噪算法合集-CSDN博客

图卷积故障诊断，新增GAT、SGCN、GIN分类模型-CSDN博客

不能错过！故障诊断+时频图像分类大更新！-CSDN博客

智能故障诊断和寿命预测期刊推荐-CSDN博客

故障诊断一区直接写，图卷积+BiGRU-Attention 并行诊断模型-CSDN博客

本期推出一种基于 1D-GRU+2D-MTF-ResNet-CBAM 的多模态融合分类模型，在故障诊断任务上效果显著！

将时频图像和一维时序信号相结合，并使用CBAM注意力机制优化的ResNet和GRU多模态特征融合模型，来进行故障信号分类，能够有效地结合时频图像空间特征和一维信号时间序列特征，能够充分利用多模态特征的优势。

● 数据集：CWRU西储大学轴承数据集

● 环境框架：python 3.9  pytorch 2.1 及其以上版本均可运行

● 时频图像变换：提供5种时频图像变换方法

● 准确率：测试集100%

● 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！！

创新一：

多模态融合

本模型将时频图像和一维时序信号进行多模态融合，充分利用这两类数据的互补性。时频图像通过马尔可夫转移场MTF，将信号的频率和时间特征可视化。而一维时序信号则保留了原始时间依赖信息，适合使用递归神经网络（RNN）或GRU进行处理。通过融合这两种特征：

• 时频图像捕捉了信号中的高频、低频变化趋势，有助于识别频域中的故障特征。

• 一维时序信号保留了信号的时间依赖特性，能够反映出故障在时间上的动态演化。

这种双通道的数据融合使得模型能够同时利用时间、频率和图像特征，从而大幅提升了故障分类的准确性。

创新二：

基于CBAM注意力机制优化的ResNet

CBAM（Convolutional Block Attention Module）是一种用于卷积神经网络（CNN）的注意力机制，旨在提高模型的表示能力。CBAM通过结合通道注意力（Channel Attention）和空间注意力（Spatial Attention）来增强特征表示，从而提升模型性能。

将 CBAM 模块插入到 ResNet 的每个残差块之后，以平衡计算量与性能提升：

（1）增强的特征表示

通道注意力与空间注意力的结合：CBAM 提供了通道注意力和空间注意力两个模块。这两个模块分别从特征图的通道维度和空间维度增强特征表示。通过在 ResNet 的基本单元中插入 CBAM，网络可以更好地捕捉不同特征的重要性，从而在更深的层次上进行有效的信息提取和聚合。

（2）细粒度的特征选择

细粒度特征聚焦：CBAM 通过为特征图的每一个通道和每一个空间位置分配权重，能够细粒度地选择和强调重要特征。这种机制允许 ResNet 更加智能地忽略无关的背景信息，专注于故障分类的关键特征。

（3）与残差连接的无缝集成

与残差结构的兼容性：CBAM 可以无缝地集成到 ResNet 的残差块中。由于 CBAM 的设计简单且高效，它可以直接插入到 ResNet 的每个残差块中，而不会显著增加计算复杂度。这种集成方式使得 ResNet 保持其原有的优势（如梯度流动性和训练稳定性）的同时，获得了更强的特征表达能力。

（4）提升网络性能

性能提升：在 ResNet 中加入 CBAM 后，通常能观察到在图像分类、目标检测等任务上的准确率提升。通过对特征图的动态调整，CBAM 能够帮助网络更好地适应数据的分布特性和任务需求。

（5）计算效率与灵活性

• 计算效率：CBAM 设计简单，计算开销小，适合在不显著增加网络复杂度的情况下，提升模型性能。

• 灵活性：CBAM 可以灵活地应用于 ResNet 的不同变体（如 ResNet-18、ResNet-34、ResNet-50 等），并且能够根据具体任务的需求进行调整和优化。

将 CBAM 与 ResNet（Residual Network） 结合，是一种提升 ResNet 表达能力的有效方法。这种组合在保持网络深度和宽度的同时，通过引入注意力机制来增强特征表示能力。

创新三：

基于一维信号序列堆叠的时序特征提取

在处理一维时序信号时，我们对一维信号序列数据进行了堆叠，采用了GRU（门控循环单元）来提取时序特征。这一创新设计加快了GRU的计算效率，在处理一维时序信号时，能够更加有效地提取出故障发生时的关键特征，显著提高了信号分类的精度。

创新四：

特征融合优势

模型中的多模态融合部分，通过ResNet-CBAM提取时频图像特征和GRU处理一维信号特征后，我们采用特征拼接融合的方式，将两种特征结合。相比于仅使用单一模式特征的传统模型，融合后的特征在分类任务中的表现更加优越，主要优势体现在：

• 时频图像和时序信号各自提供了不同视角的特征信息，前者提供频率域特征，后者保留了时间依赖特性，两者的结合能更加全面地反映信号的故障特征。

• 通过特征融合，模型在捕捉不同模式下的故障特征时更加鲁棒，尤其在复杂的故障信号环境下，融合的特征能够更好地应对噪声干扰和信号变化。

这种特征融合策略使得我们的模型在多种故障模式下，依然能够保持高效准确的分类性能，提升了模型在实际应用中的鲁棒性和泛化能力。

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

我们提供了马尔可夫转换场 MTF 、递归图 RP 、格拉姆矩阵GAF、连续小波变换CWT、短时傅里叶变换STFT五种时频图像变换方法，可灵活替换多模态特征中的时频图像类型！

本文采用马尔可夫转换场 MTF来作为时频图像变换的处理方法，生成的时频图像如下所示：

（1）模型训练可视化

（2）模型评估

50个epoch，准确率98%，用1D-GRU+2D-MTF-ResNet-CBAM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）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：

点击下方卡片获取代码！