【滚动轴承故障诊断】【Pytorch】基于1DCNN、ECA-1DCNN、CBAM-1DCNN、GAM-1DCNN的滚动轴承故障诊断研究（Python代码实现）

最新推荐文章于 2025-04-28 09:38:40 发布
最新推荐文章于 2025-04-28 09:38:40 发布
阅读量927 收藏 20
点赞数 36
文章标签： python pytorch 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_77414277/article/details/147163963
版权

     💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

基于1DCNN及其注意力机制改进的滚动轴承故障诊断研究

一、1DCNN的基础结构与原理

二、注意力机制改进模型的核心创新

1. ECA-1DCNN：高效通道注意力机制

2. CBAM-1DCNN：通道与空间注意力结合

3. GAM-1DCNN：全局跨维度交互

三、滚动轴承故障诊断数据集与评价体系

四、性能对比与适用场景分析

五、未来研究方向

📚2 运行结果

🎉3 参考文献 

🌈4 Python代码、数据、文章

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

基于1DCNN及其注意力机制改进的滚动轴承故障诊断研究

一、1DCNN的基础结构与原理

1DCNN是一种专门处理一维时序信号的卷积神经网络，其核心结构包括输入层、卷积层、池化层和全连接层（图9）。卷积层通过一维卷积核在时间轴上滑动提取局部特征，池化层（如最大池化或平均池化）降低特征维度并保留关键信息，全连接层整合特征完成分类任务。相较于传统方法，1DCNN能自动提取振动信号中的故障特征，避免人工特征提取的局限性。例如，在凯斯西储大学轴承数据集中，1DCNN的原始准确率可达97.5%。

技术优势：

  • 实时性与低成本：仅需线性乘加运算，适合硬件部署。
  • 平移不变性：对大卷积核的兼容性使其能捕捉长序列中的全局特征。
  • 数据增强策略：通过窗口切片和重叠采样，数据集容量可扩展30倍。
二、注意力机制改进模型的核心创新
1. ECA-1DCNN：高效通道注意力机制

ECA模块通过局部跨通道交互（1D卷积）生成通道权重，避免降维操作，参数仅需80个。其核心公式为：
Mc(F)=Sigmoid(Conv1D(GAP(F)))

其中，GAP为全局平均池化，卷积核大小k通过通道数C自适应确定（如k=2）。实验表明，ECA-1DCNN在滚动轴承诊断中准确率达99.22%，且抗噪性能显著。

性能表现：

  • 在加噪数据（SNR=0 dB）下，准确率仍保持92%以上。
  • 与DFT结合（DFT-ECANet），频域特征增强后准确率提升至99.8%。
2. CBAM-1DCNN：通道与空间注意力结合

CBAM模块分两步：

  1. 通道注意力：结合全局平均池化和最大池化，通过共享MLP生成权重。
  2. 空间注意力：沿通道轴聚合特征，通过卷积生成空间权重。
    公式为：
    F′=Mc(F)⊗F;F′′=Ms(F′)⊗F

实验显示，CBAM-1DCNN准确率达99.53%，且收敛速度提升30%。

应用案例：

  • 在TensorFlow框架中，结合双池化层替代全连接层，测试集准确率99%。
  • 噪声环境下（高斯白噪声），鲁棒性优于传统SVM和随机森林模型。
3. GAM-1DCNN：全局跨维度交互

GAM通过3D排列和MLP保留通道-空间信息，避免信息弥散。其结构为：
F2=Mc(F1)⊗F1;F3=Ms(F2)⊗F2

通道子模块使用两层MLP，空间子模块采用卷积融合特征。实验显示，GAM-1DCNN在滚动轴承诊断中准确率高达100%，且参数量仅增加1.2%。

对比优势：

  • 在CIFAR-100和ImageNet-1K数据集中，GAM超越CBAM和SENet。
  • T-SNE可视化显示，GAM能更好分离不同故障类别的特征。
三、滚动轴承故障诊断数据集与评价体系

  1. 常用数据集：

    • 凯斯西储大学（CWRU）数据集：包含内圈、外圈、滚动体故障及正常状态，采样频率12 kHz，负载0-2,206 W。
    • MFPT数据集：涵盖真实工业场景下的轴承故障，含不同噪声和负载工况。

  2. 评价指标：

    • 准确率：主流模型可达95%-100%。
    • 鲁棒性：在30-40 dB噪声下，ECA-1DCNN和GAM-1DCNN准确率下降小于5%。
    • 收敛速度：CBAM-1DCNN训练迭代次数减少至975次，优于传统1DCNN的2700次。
四、性能对比与适用场景分析
模型准确率参数量抗噪性适用场景
1DCNN97.5%低中等低噪声、实时诊断
ECA-1DCNN99.22%极低高资源受限环境
CBAM-1DCNN99.53%中等高复杂噪声、多负载工况
GAM-1DCNN100%较高极高高精度要求的离线分析

结论：

  • ECA-1DCNN适合边缘设备部署，平衡性能与计算成本。
  • CBAM-1DCNN在变工况和噪声干扰下表现稳健，适合工业现场。
  • GAM-1DCNN在实验室环境中可实现极致精度，但需更高算力支持。
五、未来研究方向
  1. 多模态融合：结合声发射、温度等多传感器数据提升诊断可靠性。
  2. 轻量化设计：探索注意力机制的量化与蒸馏技术，降低计算开销。
  3. 迁移学习：跨设备、跨工况的模型泛化能力优化。
  4. 实时诊断系统：嵌入FPGA或边缘计算设备，实现毫秒级响应。

通过上述改进，1DCNN及其注意力机制变体有望在工业4.0中成为滚动轴承故障诊断的核心技术。

📚2 运行结果

🎉3 参考文献 

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

🌈4 Python代码、数据、文章

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取

                                                           在这里插入图片描述

YOLOv8改进心得：如何在YOLOv8中使用GAM、CBAM、CA、ECA注意力机制进行优化（Python实现与深度解析）
qq_38334677的博客
10-02 1239
本文详细介绍了如何在YOLOv8中集成GAM、CBAM、CA和ECA四种主流注意力机制。通过详细的代码解析和集成步骤，您可以在YOLOv8模型中轻松应用这些注意力机制，从而提升模型的检测性能。注意力机制的引入，使得网络能够更加精准地捕捉图像中的关键信息，尤其在处理复杂背景和多物体场景时，表现出色。希望通过本文的讲解，您能够掌握这些先进的优化技术，并在华为OD机试或实际项目中取得更好的成绩。
YOLOv10改进 | 注意力篇 | 一文带你改进GAM、CBAM、CA、ECA等通道注意力机制和多头注意力机制
Snu77的博客
07-14 1453
这篇文章给大家带来的改进机制是一个汇总篇，包含一些简单的注意力机制，本来一直不想发这些内容的（网上教程太多了，发出来增加文章数量也没什么意义），但是群内的读者很多都问我这些机制所以单独出一期视频来汇总一些比较简单的注意力机制添加的方法和使用教程，本文的内容不会过度的去解释原理，更多的是从从代码的使用上和实用的角度出发去写这篇教程。欢迎大家订阅我的专栏一起学习YOLO！YOLOv10改进系列专栏——本专栏持续复习各种顶会内容——科研必备目录一、本文介绍二、GAM2.1 GAM的介绍。
RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
Limiiiing的博客
12-03 7753
1️⃣本专栏已更新150多种不同的改进方法，所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新，最近更新时间：2024-12-4。项目介绍在大家购买专栏后，加入学习
YOLOv5改进系列（一）添加注意力机制SE、CBAM、ECA、CA
m0_55908255的博客
02-13 1346
在没有降维的通道全局平均池化之后，ECA使用1D卷积来实现跨通道信息交互，而卷积核的大小 k 则通过函数来自适应计算，k 也可以理解为局部跨通道交互的覆盖范围，即有多少邻居参与了一个通道的注意力预测。激活函数形成空间注意力权重[batch_size，1，H，W]，和原来的输入[batch_size，channel，H，W]作哈达玛积。最后，将原始特征图的每个通道与对应的权重相乘，从而得到增强后的特征图。在这一阶段，网络从特征图中提取出每个通道的全局信息，得到一个描述每个通道重要性的特征向量。
YOLO-TLA:基于YOLOv5的高效轻量级小目标检测模型
sybh的博客
05-22 843
近年来，深度学习的快速发展使得计算机视觉的各 个方面都取得了重大突破，尤其是在目标检测方面。计 算机视觉的这一关键方面旨在识别和分类图像中的目标 (例如行人、动物、车辆)，作为目标跟踪和目标分割等任 务的基础元素[1]、[2]。其工业应用广泛，从缺陷检测到 自动驾驶[3]-[5]。此外，电子控制系统和飞机设计的演变 凸显了基于无人机(UAV)的目标检测的重要性，在农业、 灾难等领域已经越来越普遍管理，航空摄影。无人机要么无线电控制，要么在预先 编程的路线上操作。
用Java模拟打字：深入解析 java.awt.Robot 的键盘控制艺术
码觉客的博客
04-28 1019
通过，我们可以实现强大的键盘自动化功能。对于简单的字符（英文字母、数字、基础标点等），可以通过模拟单个按键的按下和释放（可能需要配合 Shift 等修饰键）来实现，这需要建立字符到键码的映射并注意按键时序和延迟。对于复杂字符、中文或长文本，由于Robot不理解输入法逻辑，最可靠和常用的方法是将文本复制到系统剪贴板，然后模拟按下系统的粘贴快捷键。无论使用哪种方法，理解Robot的工作原理（模拟物理按键），处理好窗口焦点，并加入适当的延迟，是确保模拟输入成功的关键。虽然Robot。
Python学习笔记（三）（程序流程控制）
wsys_yysn的博客
04-24 1095
条件语句：通过实现分支逻辑。循环语句for遍历序列，while满足条件时循环。流程控制break终止循环，continue跳过当前迭代，pass占位。异常处理保证程序健壮性。掌握这些流程控制工具，可以编写更灵活、高效的 Python 程序！
Python项目--基于计算机视觉的手势识别控制系统
exlink2012的专栏
04-23 2609
随着人机交互技术的快速发展，传统的键盘、鼠标等输入设备已经不能满足人们对自然、直观交互的需求。手势识别作为一种非接触式的人机交互方式，具有操作自然、交互直观的特点，在智能家居、游戏控制、虚拟现实等领域有着广泛的应用前景。 本项目旨在开发一个基于计算机视觉的手势识别控制系统，通过摄像头捕获用户的手部动作，实时识别手势类型，并将识别结果转化为相应的控制命令，实现对计算机或其他设备的非接触式控制。
京东商品详情API数据爬取难度分析与解决方案
最新发布
Asher18870278351的博客
04-28 659
京东商品数据爬取是一项技术要求高、维护成本大的工程，需要综合运用网络爬虫、密码学分析和分布式系统等多领域知识。成功的爬虫系统需要在技术实现、资源投入和合规边界之间找到平衡点。随着电商平台安全技术的不断升级，爬取方也需要持续迭代技术手段，同时更应关注数据获取的合法合规性。
基于亚马逊云科技搭建企业问答系统
正在自我救赎的菜鸟。本人所有内容均不收费，可随意转发，复制
04-27 894
在当今信息密集的企业环境中，如何快速、安全地构建专属知识库成为提升效率的关键。本教程将手把手教你如何从零开始，借助 Amazon Bedrock 控制台与 DeepSeek 大语言模型，将企业内部文档转化为可交互的问答系统（RAG 架构）。无需任何编程经验，只需按照步骤操作，即可轻松完成搭建与体验。
深度解析@SneakyThrows注解：原理、应用与最佳实践
hi星尘的博客
04-24 937
是Lombok项目提供的一个实用注解，它允许开发者在代码中"偷偷地"抛出受检异常（checked exceptions），而无需在方法签名中显式声明。这个注解的名称"Sneaky"（偷偷摸摸的）非常形象地描述了它的行为特点。是一个强大但有争议的注解，它提供了处理受检异常的新思路，但也带来了类型安全和代码可维护性方面的挑战。合理使用可以使代码更简洁，特别是在Lambda表达式和特定接口实现场景中。然而，在业务关键代码和公共API中，传统的异常处理方式通常更为合适。最终建议：将。
Ubuntu中选择Python虚拟环境
f601323135的博客
04-24 449
在Ubuntu系统中，通过一个简单的命令（例如activate）快速查找并激活Python虚拟环境。
python 3.14 暂不支持 pyside6 ？ python 窗体无法显示！
业余编程
04-27 367
十天前 python-3.14.0a7 可以安装 pyside6 ，今天（2025.4.27）忽然就不能安装了，诡异不？
安装驱动后，黑屏和输入图像尺寸不匹配的解决和记录
河海大学研究生在读的学习笔记
04-24 479
安装驱动后，黑屏和输入图像尺寸不匹配的解决和记录
Python中使用Redis的参数
qq_21047625的博客
04-27 283
在使用redis-py时，你需要通过连接参数来配置与Redis服务器的连接。在使用这些参数时，请根据你的具体需求和Redis服务器的配置进行选择和设置。如果你正在迁移到新项目或更新现有项目，建议查阅最新的redis-py文档，因为库的更新可能会引入新的功能或更改现有功能的默认行为。描述：当使用Unix socket连接Redis时，指定socket文件的路径。描述：指定要连接的Redis数据库的索引，Redis默认有16个数据库。描述：指定在Python中使用的编码方式，通常用于处理字符串数据。
【人工智能】Ollama 负载均衡革命：多用户大模型服务的高效调度与优化
一个被知识诅咒的人
04-23 1101
在 **多用户大模型推理** 场景下，**负载均衡** 是确保高并发、低延迟的关键挑战。本文以 **Ollama**（一个流行的本地大模型运行框架）为例，深入探讨 **多用户请求调度、GPU 资源分配、动态批处理（Dynamic Batching）** 等核心技术。我们将从 **数学建模**（如排队论优化）、**代码实现**（Python + CUDA 优化）、**系统架构**（分布式调度）三个维度，提供一套完整的负载均衡解决方案。 文章包含 **4000+ 字** 的详细技术解析，涵盖 **请求优
Java + Seleium4.X + TestNG自动化技术
m0_58878709的博客
04-27 1016
Selenium是最受欢迎的Web应用程序自动化测试工具之一。通过学习Selenium，可以编写自动化测试脚本，用于自动执行各种任务，例如验证功能、测试用户界面、模拟用户交互大大提高测试效率，减少手动测试的工作量Selenium自动化测试框架是一个用于Web应用程序测试的自动化测试工具支持多种浏览器（如Chrome、Firefox、Safari等）和操作系统（如Windows、Linux、macOS等），提供了一个丰富的API，允许用户模拟真实用户的交互行为，如点击、输入、提交等。
OpenManus云端部署及经典案例应用
热门推荐
04-27 3万+
玩家通过方向键控制蛇的移动，程序能即时检测蛇与食物的碰撞并更新蛇的长度，同时判断蛇是否撞墙或撞到自己，当发生碰撞时游戏结束。此外，它还提供了极大的发挥空间，能基于此轻松地拓展游戏规则、加入新的功能模块，像是调整蛇的移动速度、设计多种障碍物或食物类型，又或是融入计时器来提升游戏的挑战性等，从而进一步加深对Pygame编程的领悟与运用能力。本次活动将以领团学习的形式进行，为此我们将除招募对此活动感兴趣的参与者外，也招募学习领团人，只要你热爱技术，想要成长，无论是个人社区创建者，还是万粉博主，都可以点击。
通道注意力机制模块guthub
03-24
### 关于通道注意力机制模块的相关代码 在深度学习领域，通道注意力机制（Channel Attention Mechanism, CAM）被广泛应用于提升模型性能。CAM的核心思想是通过对不同通道的特征图赋予不同的权重来突出重要信息并抑制冗余信息。这种技术已被成功应用于图像分类、目标检测等多个任务。 #### GitHub上的相关实现 以下是几个常见的开源项目，提供了通道注意力机制的具体实现： 1. **SENet (Squeeze-and-Excitation Network)** SENet 是最早引入通道注意力机制的经典工作之一。其核心思想是对每个通道计算一个权重，并将其乘回原始特征图以增强有用的信息。可以在以下仓库找到其实现： ```bash git clone https://github.com/hujie-frank/SENet.git ``` 这个项目包含了完整的 SE 模块实现以及训练脚本[^1]。 2. **CBAM (Convolutional Block Attention Module)** CBAM 同时考虑了通道和空间两个维度的注意力机制。它先通过通道注意力子模块调整通道权重，再通过空间注意力子模块进一步优化特征图的空间分布。可以参考以下仓库获取其实现： ```bash git clone https://github.com/Jongchan/attention-module.git ``` 此外，在 `PyTorch` 中也有许多第三方实现可供选择，例如： ```python import torch.nn as nn class ChannelAttention(nn.Module): def __init__(self, in_planes, ratio=8): super(ChannelAttention, self).__init__() self.avg_pool = nn.AdaptiveAvgPool2d(1) self.max_pool = nn.AdaptiveMaxPool2d(1) self.fc1 = nn.Conv2d(in_planes, in_planes // ratio, 1, bias=False) self.relu1 = nn.ReLU() self.fc2 = nn.Conv2d(in_planes // ratio, in_planes, 1, bias=False) self.sigmoid = nn.Sigmoid() def forward(self, x): avg_out = self.fc2(self.relu1(self.fc1(self.avg_pool(x)))) max_out = self.fc2(self.relu1(self.fc1(self.max_pool(x)))) out = avg_out + max_out return self.sigmoid(out) ``` 3. **ECA-Net (Efficient Channel Attention Network)** ECA-Net 提出了更高效的通道注意力机制，减少了参数量的同时保持了良好的效果。具体实现在以下仓库中提供： ```bash git clone https://github.com/BangguWu/ECANet.git ``` 4. **Global Attention Mechanism (GAM)** GAM 结合了通道和空间维度的全局交互作用，旨在解决传统注意力机制中存在的信息丢失问题。可以从以下仓库下载其实现： ```bash git clone https://github.com/shanglianlm0525/CvPytorch.git ``` 或者访问另一个包含更多实验细节的仓库： ```bash git clone https://github.com/shanglianlm0525/PyTorch-Networks.git ``` #### 实现示例 下面是一个简单的基于 PyTorch 的通道注意力机制模块实现： ```python import torch import torch.nn as nn class ChannelAttentionModule(nn.Module): def __init__(self, channels, reduction_ratio=16): super(ChannelAttentionModule, self).__init__() self.channels = channels # 平均池化分支 self.avg_pool = nn.AdaptiveAvgPool2d(1) # 最大池化分支 self.max_pool = nn.AdaptiveMaxPool2d(1) # 共享MLP层 self.mlp = nn.Sequential( nn.Linear(channels, channels // reduction_ratio), nn.ReLU(), nn.Linear(channels // reduction_ratio, channels) ) def forward(self, x): batch_size, num_channels, _, _ = x.size() # 计算平均池化的特征向量 avg_out = self.avg_pool(x).view(batch_size, num_channels) avg_out = self.mlp(avg_out) # 计算最大池化的特征向量 max_out = self.max_pool(x).view(batch_size, num_channels) max_out = self.mlp(max_out) # 将两种方式的结果相加并通过sigmoid激活函数得到最终的通道注意力权重 channel_attention_weights = torch.sigmoid(avg_out + max_out).view(batch_size, num_channels, 1, 1) # 返回经过通道注意力调制后的特征图 return x * channel_attention_weights ``` 此代码定义了一个基础的通道注意力模块，适用于大多数卷积神经网络架构[^4]。 --- ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值