Python轴承故障诊断 (15)基于CNN-Transformer的一维故障信号识别模型

最新推荐文章于 2025-05-20 18:44:14 发布
最新推荐文章于 2025-05-20 18:44:14 发布
阅读量1.6k 收藏 25
点赞数 25
分类专栏： 信号处理 文章标签： python cnn transformer
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/2402_85668383/article/details/143316483
版权

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

Pytorch-LSTM轴承故障一维信号分类(一)-CSDN博客

Pytorch-CNN轴承故障一维信号分类(二)-CSDN博客

Pytorch-Transformer轴承故障一维信号分类(三)-CSDN博客

三十多个开源数据集 | 故障诊断再也不用担心数据集了！

Python轴承故障诊断 (一)短时傅里叶变换STFT-CSDN博客

Python轴承故障诊断 (二)连续小波变换CWT-CSDN博客

Python轴承故障诊断 (三)经验模态分解EMD-CSDN博客

Python轴承故障诊断 (四)基于EMD-CNN的故障分类-CSDN博客

Python轴承故障诊断 (五)基于EMD-LSTM的故障分类-CSDN博客

Python轴承故障诊断 (六)基于EMD-Transformer的故障分类-CSDN博客

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类-CSDN博客

Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类-CSDN博客

Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类-CSDN博客

Python轴承故障诊断 (十)基于VMD+CNN-Transfromer的故障分类-CSDN博客

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

交叉注意力融合时域、频域特征的FFT + CNN -BiLSTM-CrossAttention轴承故障识别模型-CSDN博客

交叉注意力融合时域、频域特征的FFT + CNN-Transformer-CrossAttention轴承故障识别模型-CSDN博客

轴承故障诊断 (12)基于交叉注意力特征融合的VMD+CNN-BiLSTM-CrossAttention故障识别模型_基于残差混合域注意力cnn的轴承故障诊断及其时频域可解释性-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

注意：本模型继续加入 凯斯西储大学（CWRU）轴承故障诊代码 全家桶中，之前购买的同学请及时更新下载

全网最低价，入门轴承故障诊断最佳教程，高性价比、高质量代码，大家可以了解一下：（所有全家桶模型会不断加入新的模型进行更新！后续会逐渐提高价格，越早购买性价比越高！！！）

前言

本文基于凯斯西储大学（CWRU）轴承数据，先经过数据预处理进行数据集的制作和加载，最后通过Pytorch实现CNN-Transformer模型对故障数据的分类。凯斯西储大学轴承数据的详细介绍可以参考下文：

Python-凯斯西储大学（CWRU）轴承数据解读与分类处理_凯斯西储大学轴承数据集-CSDN博客

1 模型整体结构

模型整体结构如下所示：

2 轴承数据加载与预处理

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Pytorch的CNN-Transfromer轴承故障诊断分类

3.1 定义CNN-Transfromer分类网络模型

注意：输入数据维度为[32, 1, 1024], 先送入CNN网络进行1d的卷积池化，然后再把卷积池化的空间特征送入Transformer进行信号特征增强，最终送入全连接层和softmax进行分类。

3.2 设置参数，训练模型

100个epoch，准确率将近100%，CNN-Transformer网络分类效果显著，CNN-Transformer模型能够充分提取轴承故障信号的全局空间和局部特征，收敛速度快，性能特别优越，效果明显。

注意调整参数：

  • 可以适当增加 CNN层数和隐藏层维度数，微调学习率；

  • 增加Transformer编码器层数和维度数，增加更多的 epoch （注意防止过拟合）

  • 可以改变一维信号堆叠的形状（设置合适的长度和维度）

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：

4 代码、数据整理如下：


振动分析-12-轴承数据库之深度学习一维故障分类CNN-Transformer
qq_20466211的博客
07-05 734
基于深度学习CNN-Transformer模型对一维振动信号进行故障分类
Transformer预测 | 基于TCN-Transformer的股票价格预测（Pytorch）
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
06-18 753
Transformer预测 | 基于TCN-Transformer的股票价格预测（Pytorch）
华南技术栈CNN+Bilstm+Attention
东方
07-05 2420
基本介绍 bilstm介绍：（用的是微信登录）实现代码 attention介绍 bert层 （大部分来源于cbow） 做预训练， 一个很不错的bert讲解该博主 bert+cnn也给了代码 包括attention 机制， 总之该博主是个宝藏博主 ， txt和CSV 的区别， （不是很清楚。。） 对txt进行数据划分训练的时候 好像还要用 cuda 我自己安装的9.1版本的。 然后验证一下 算是安装好了。 安装完还是用不了。 找了个不用GPU的方法 当然我肯定想用，，先试试再debug 于是第二天再找，注意
【故障诊断】格拉姆变换与并行网络1D-2D-CNN-BiLSTM故障诊断研究（Matlab代码实现）
weixin_46039719的博客
04-19 920
格拉姆变换与并行网络1D-2D-CNN-BiLSTM的结合，通过时空特征融合与双向时序建模，显著提升了故障诊断的精度与泛化能力。其在复杂工况、小样本场景下的优异表现，为工业智能诊断提供了新的技术路径。未来研究需进一步平衡模型复杂度与实时性，并探索跨领域迁移学习的可能性。📚2 运行结果这里将采用格拉姆矩阵法生成的二维矩阵送入input1中，采用CNN进行空间特征提取，然后再将原始的一维数据送入vinput中，采用Bilstm进行时间特征的学习，最后再将生成的向量进行拼接，最后一起送到分类器或预测器中。
【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据]（Python代码实现）
weixin_67304359的博客
11-30 1007
西储大学轴承数据集是故障诊断领域广泛使用的标准数据集之一，由凯斯西储大学（Case Western Reserve University，简称CWRU）提供。该数据集包含了多种工况和故障类型的轴承振动数据，涵盖了正常运行的轴承数据以及内圈故障、外圈故障、滚动体故障等多种故障类型的数据。数据集通过安装在电机轴承附近的加速度传感器采集，采样频率分别为12kHz和48kHz，记录了不同负载条件下的轴承振动信号。
手把手教你：基于深度学习的滚动轴承故障诊断
热门推荐
大雾的小屋的博客
09-18 3万+
本文主要介绍如何使用python搭建：一个基于深度学习的滚动轴承故障诊断系统 项目中涉及使用了多种方法对比检测结果，包括： 传统机器学习方法：随机森林 深度学习方法：CNN 增加残差模块后的深度学习方法：ResNet 如各位童鞋需要更换训练数据，完全可以根据源码将图像和标注文件更换即可直接运行。
09-TensorFlow 基于WDCNN的轴承故障诊断
鸣鼓ming的博客
04-22 7493
1.数据集 数据是来自凯斯西储大学（CWRU）滚动轴承数据中心. 官方网站数据下载地址: https://csegroups.case.edu/bearingdatacenter/pages/download-data-file CWRU滚动轴承数据采集系统: CWRU轴承中心数据采集系统如上图所示。本试验的试验对象为图中的驱动端轴承，被诊断的轴承型号为深沟球轴承SKF6205，有故障的轴承由电火花加工制作而成，系统的采样频率为12kHz。被诊断的轴承一共有3种缺陷位置，分别是滚动体损伤，外圈损伤与内圈损
【CNN-Transformer一维序列分类源代码】
qq_40348732的博客
09-12 770
且没有用Embedding，因为考虑到需要级联CNN，Embedding不好写进去，而且序列也没有明确的位置信息，可以不用Embedding。程序旨在学习如何构建CNN-Transformer网络，以及如何转换数据维度使得CNN的输出能够衔接Transformer，本程序是将CNN的输出通道数直接匹配作为Transformer的维度。其中，CNN用了2层，Transformer_Encoder用了6层，里面nhead=4。本程序完全由本人撰写，整理不易，价格25元，唯一渠道为闲鱼售卖，请谨防其他网站盗卖。
Python轴承故障诊断 (一)短时傅里叶变换STFT_故障诊断初学与python(1)
2401_83601703的博客
04-21 1318
本文基于凯斯西储大学（CWRU）轴承数据，进行短时傅里叶变换的介绍与参数选择，最后通过Python实现对故障数据的时频图像分类。Python-凯斯西储大学（CWRU）轴承数据解读与分类处理_cwru轴承数据集-CSDN博客将信号分解成一系列不同频率的连续正弦波的叠加；或者说，将信号从时间域转换到频率域。由于傅里叶变换是对整个信号进行变换，将整个信号从时域转换到频域，得到一个整体的频谱；丢掉了时间信息，无法根据傅立叶变换的结果判断一个特定信号在什么时候发生；
融合创新！CNN-Transformer时间序列预测
m0_61878377的博客
06-09 2515
混合 CNN-Transformer 模型结合了 CNN 在局部特征提取和 Transformer 在捕捉长期依赖关系中的优势。本文将使用CNN-Transformer完成电力负荷多元时间序列预测，这个模型当前用的人还比较少，且不仅适用于电力负荷预测，如光伏预测、股价预测等时间序列预测也是可以用的。CNN 和 Transformer 的结合确保了模型有效地捕捉局部和全局模式，从而增强其时间序列数据预测的性能。num_heads：多头注意力机制的头数，表示每个注意力层的注意力头数量。
【故障诊断】【pytorch】基于EMD-CNN-Transformer的轴承故障诊断研究[西储大学数据]（Python代码实现）
weixin_67304359的博客
11-30 984
💥💥💞💞❤️❤️💥💥博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️行百里者，半于九十。📋📋📋🎁🎁🎁。
Pytorch-LSTM轴承故障一维信号分类(一)
09-30 1486
本文基于凯斯西储大学（CWRU）轴承数据，先经过数据预处理进行数据集的制作和加载，最后通过Pytorch实现LSTM模型对故障数据的分类。
Python轴承故障诊断 (四)基于EMD-CNN的故障分类
小蜗爱建模的博客
12-10 3703
本文基于凯斯西储大学轴承数据，通过Python实现EMD-CNN对故障数据的分类
机器学习（深度学习）故障诊断分类（提供故障数据和python代码实现）
jjh135445的博客
08-10 2000
摘要：机器学习广泛的应用于机械故障诊断和故障分类问题，本研究利用机器学习的卷积神经网络对滚动轴承内圈损坏尺寸的分类，利用凯斯西储实验室提供的数据，整理出滚动轴承内圈损坏尺寸分别为0.14cm和0.21cm的数据集，通过机器学习实现对两个损坏尺寸的分类训练模型，通过数据测试模型的有效性。本研究的是轴承内圈的裂纹故障，根据凯斯西储实验室公开的数据，损伤尺寸数据集为0.14cm和0.21cm两类，本文整理这两类故障作为神经网络训练数据集，训练出的模型能够将测试数据分类为0.14cm和0.21cm的损伤尺寸故障。
Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类
10-13 1548
本文基于凯斯西储大学（CWRU）轴承数据，进行变分模态分解VMD的介绍与数据预处理，最后通过Python实现VMD-CNN-BiLSTM对故障数据的分类。
Python轴承故障诊断入门教学
小蜗爱建模的博客
02-05 2567
轴承故障诊断入门教程，算法模型创新点
进阶知识：无参的函数装饰器之深入理解@wraps()
最新发布
Tom的专栏
05-20 956
@wraps(func)是functools模块中的装饰器工具，主要用于保留被装饰函数的元信息，如函数名称（__name__）和文档字符串（__doc__）。通过使用@wraps(func)，装饰器返回的新函数会继承原函数的属性，保持代码的透明性。对比不使用@wraps的情况，后者会导致函数元信息丢失，调试和文档生成时难以追踪原始函数。@wraps(func)在框架开发、单元测试、API文档生成和调试定位等场景中尤为重要，建议始终使用以确保装饰器的透明性和文档一致性。
《Python星球日记》 第95天：分布式训练与推理
Code_流苏：在代码中寻诗意，在实践中觅真知
05-19 1408
《Python星球日记》 第95天：分布式训练与推理，今天，我们将探索分布式训练与推理技术，这是解决大规模AI模型训练和部署挑战的关键方法
【python】返回所有匹配项的第一个元素、第二个元素。。。
突围
05-19 575
【python】返回所有匹配项的第一个元素、第二个元素。。
cnn-transformer 轴承
01-01
### CNN-Transformer模型在轴承故障检测中的应用 #### 数据准备与预处理 为了构建有效的CNN-Transformer混合模型来解决轴承故障检测问题，数据的质量至关重要。通常采用凯斯西储大学（CWRU）提供的标准轴承测试数据集作为实验基础[^3]。该数据集中包含了不同负载条件以及多种故障类型的振动信号记录。 对于原始采集得到的时间序列形式的数据，在输入至神经网络之前需经历一系列必要的转换操作： 1. **降噪和平滑化**：去除噪声干扰以提高信噪比； 2. **标准化/归一化**：使各维度特征处于相同量级范围内； 3. **分窗切片**：将连续长时间段内的测量值分割成固定长度的小片段以便于后续分析； 这些步骤有助于提升最终训练效果并加快收敛速度。 ```python import numpy as np from sklearn.preprocessing import StandardScaler def preprocess_data(raw_signals, window_size=1024): scaler = StandardScaler() # Normalize the raw signals across all samples normalized_signals = scaler.fit_transform(raw_signals.reshape(-1, 1)).reshape(raw_signals.shape) windows = [] labels = [] for i in range(0, len(normalized_signals)-window_size+1, window_size//2): # Overlapping by half of window size window = normalized_signals[i:i+window_size] label = get_label_for_window(i) # Function to determine fault type based on position windows.append(window) labels.append(label) return np.array(windows), np.array(labels) ``` #### 构建CNN-Transformer架构 结合卷积层提取局部空间结构的能力和自注意力机制捕捉全局依赖性的优势，设计了一种新颖的端到端学习框架——即所谓的“CNN-Transformer”。具体来说， - 利用多个堆叠的一维卷积核作用于每一段窗口化的时序样本之上，从而自动挖掘潜在的有效表征向量； - 经过若干轮次编码器变换后输出高阶语义表示矩阵供下游任务调用； 此过程不仅简化了传统手工选取特征的工作流程，而且提高了系统的泛化能力和鲁棒性。 ```python import torch.nn as nn class CNNEncoder(nn.Module): def __init__(self, input_channels=1, num_classes=7): super(CNNEncoder, self).__init__() self.conv_layers = nn.Sequential( nn.Conv1d(input_channels, 64, kernel_size=7), nn.ReLU(), nn.MaxPool1d(kernel_size=2), nn.Conv1d(64, 128, kernel_size=5), nn.ReLU(), nn.MaxPool1d(kernel_size=2), nn.Conv1d(128, 256, kernel_size=3), nn.ReLU(), nn.AdaptiveAvgPool1d(output_size=(1)) ) self.fc_layer = nn.Linear(in_features=256, out_features=num_classes) def forward(self, x): batch_size = x.size(0) features = self.conv_layers(x).view(batch_size,-1) logits = self.fc_layer(features) return logits class TransformerModel(nn.Module): def __init__(self, d_model=256, nhead=8, num_encoder_layers=6, dim_feedforward=512, dropout=0.1, activation="relu"): super().__init__() encoder_layer = nn.TransformerEncoderLayer(d_model=d_model, nhead=nhead, dim_feedforward=dim_feedforward, dropout=dropout, activation=activation) self.transformer_encoder = nn.TransformerEncoder(encoder_layer, num_layers=num_encoder_layers) def forward(self, src): output = self.transformer_encoder(src) return output.mean(dim=1) # Global average pooling over sequence length dimension ``` #### 训练与评估策略 在整个开发周期内，始终遵循严格的交叉验证原则，并利用独立保留下来的测试集合衡量算法的实际效能指标如准确率、召回率等统计学度量。此外，还应考虑引入早停法防止过拟合现象的发生，确保所建立起来的方法论具备良好的迁移特性适用于更广泛场景之中。 通过上述方法，可以有效地实现对滚动轴承健康状况监测的目的，进而辅助工程师们制定科学合理的维修计划降低意外损失风险[^1].
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