前言
本文基于凯斯西储大学(CWRU)轴承数据和东南大学轴承数据,进行快速傅里叶变换(FFT)和变分模态分解VMD的数据预处理,最后通过Python实现基于2D-SWinTransformer + 1D-CNN-SENet并行的特征融合模型对故障数据的分类。
1模型泛化实验--西储大学数据集
1.1设置参数,训练模型
1.2 模型评估
准确率、精确率、召回率、F1 Score
故障十分类混淆矩阵:
其他可视化图:
(1)分类标签可视化
(2)原始数据 t-SNE特征可视化
(3)模型训练后的 t-SNE特征可视化:
(4)模型训练过程可视化:
2模型泛化实验--东南大学轴承数据集
2.1设置参数,训练模型
2.2 模型评估
准确率、精确率、召回率、F1 Score
故障五分类混淆矩阵:
其他可视化图:
(1)分类标签可视化
(2)原始数据 t-SNE特征可视化
(3)模型训练后的 t-SNE特征可视化:
3模型对比实验--东南大学轴承数据集
与常规深度学习模型进行对比
对比实验结果如表所示,在东南大学轴承数据集上CNN类卷积网络要好于用于时序任务上的LSTM、TCN等模型;Transformer因其结构的优势和注意力机制表现出良好的性能;对比常见的深度学习模型,我们所推出的创新模型效果最好!
基于窗口注意力机制的 SwinTransformer结合通道注意力优化的1DCNN网络能够更好地融合不同层次的特征表示,使得模型更关注重要的特征,提高模型性能和泛化能力。
4模型消融实验--东南大学轴承数据集
模型自身模块的消融实验
并不是所有的模型都"敢"做消融实验,我们提出的创新模型经受住了消融实验的检验,可以看出不同模块对于实验结果的提升,有着明显的作用!
总结:
我们创造性的提出一种 VMD-FFT预处理,2D-SwinTransformer+ 1DCNN-SENet的并行诊断模型,在多个数据集上表现优越,有着良好的泛化性能!通过对比试验、消融实验等大量的对比验证工作,能够表明我们所提模型在轴承故障诊断任务上效果明显!创新度高!
本文转载自,作者: