基于振动信号小波时频图与视觉顶会网络SwinTransformer的轴承故障诊断

1.数据预处理

傅里叶变换提取信号的频谱需要利用信号的全部时域信息，只能看到信号整体的频谱构成，不能给出这些频率成分出现的时刻，也不能够反映信号频率成分随时间的变化过程；傅里叶变换的积分作用平滑了非平稳信号的突变成分。相比较，小波变换的优越性：小波变换不仅能给出信号的频率信息，而且能够说明这些频率成分发生的时刻。

连续小波变换(CWT)用于分解小波信号。小波是时间上小的、高度局部的振荡。傅里叶变换将信号分解为无限长的正弦和余弦，从而丢失了所有时间位置信息，而CWT 的基本功能是时间局部化父小波的缩放和移位版本。CWT 用于构建信号的时频表示，以提供非常好的时间和频率定位。CWT 是绘制非平稳信号变化特性的绝佳工具。CWT 也是确定信号在全局意义上是否平稳的理想工具。当信号被认为是非平稳信号时，CWT 可用于识别数据流的平稳部分。其公式如下：

其中，x(t)是输入信号，\phi(t)是小波函数，a是尺度函数，b是平移参数

将CWRU数据集进行连续小波变换

滚动体故障007

内圈故障007

外圈故障007

无故障信号

2.SwinTransfomer网络

Swin Transformer是2021年微软研究院发表在ICCV上的一篇文章，并且已经获得ICCV 2021 best paper的荣誉称号。Swin Transformer网络是Transformer模型在视觉领域的又一次碰撞。该论文一经发表就已在多项视觉任务中霸榜。

3.网络效果

评价指标评价

混淆矩阵

ROC曲线绘制

4.代码获取

感兴趣的朋友可以关注最后一行

import torch
import torch.nn as nn
import numpy as np
import pandas as pd
from swin_transformer import swin_t
from getCWTImage import CWT
import warnings
from torch import optim
from torch.utils.data import DataLoader
from sklearn.metrics import f1_score, accuracy_score, precision_score, recall_score, roc_curve, auc, confusion_matrix
import matplotlib.pyplot as plt
import seaborn as sns
from pytorch_lightning import seed_everything

warnings.filterwarnings("ignore")
seed_everything(0)
# https://mbd.pub/o/bread/mbd-ZpmUlZ1q