故障诊断论文实验怎么设计？对比、消融、泛化实验保姆级教程

​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​​建模先锋​​，作者： 小蜗爱建模 ​​​​