回复
故障诊断一区直接写，图卷积+BiGRU-Attention 并行诊断模型
前言
本期推出一种基于K-NN + GCN 和基于全局注意力机制优化的 BiGRU 并行分类模型，在故障诊断任务上效果显著！
1 模型简介与创新点介绍
1.1 模型简介
在应用图卷积网络(Graph Convolutional Networks, GCN)到信号模式识别领域中，最关键的是如何构建数据的图结构；我们利用基于K-NN的轴承故障信号预处理的方法，来构建故障信号序列的图结构，并用GCN+BiGRU-GlobalAttention网络模型进行诊断识别，取得了一定精度的分类效果。
1.2 创新点介绍
基于 KNN-GCN+BiGRU-GATT 的高创新模型
创新度高，效果明显！！创新点：
创新一：利用K-NN创建故障信号图结构
轴承信号是一维序列，我们可以通过构建图结构来捕捉序列之间的相对位置关系。使用k近邻方法来建立节点之间的边连接关系。对于每个节点，找到其最近的k个邻居节点，并将它们与该节点连接起来。这样可以形成轴承信号的图结构，其中每个节点对应一个数据点，边表示节点之间的连接关系；
创新二：利用GCN网络进行故障诊断
（1） 处理图结构数据：经过预处理的轴承信号可以被视为一个复杂的图结构，其中节点代表不同的序列位置，边代表它们之间的关联。GCN网络是专门设计用于处理图结构数据的深度学习模型，能够充分利用节点和边的拓扑结构信息，有助于挖掘故障信号中的复杂关联和模式。
（2）捕捉局部和空间信息：GCN网络通过多层图卷积层的堆叠，可以逐步聚合节点的局部邻居信息，并最终得到包含全局信息的节点表示。在轴承故障领域，这种能力使得GCN网络能够同时捕捉局部振动特征和整体空间系统状态，从而提高故障诊断和预测的准确性。
（3）自动学习特征表示：GCN网络可以自动学习节点的特征表示，无需手动设计特征工程。在轴承故障领域，这意味着GCN网络可以从原始振动数据中提取关键特征，识别故障模式。
创新三：提出一种基于GlobalAttention优化的BiGRU网络模型来提取故障信号全局时域特征；
创新四：通过并行模型融合两个分支提取的局部空间特征和全局时域特征，从而提高特征的表示能力来实现故障信号的识别，取得了极佳的效果！
2 轴承故障数据的预处理
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 KNN-GCN+BiGRU-GATT 的轴承故障诊断
3.1 定义KNN-GCN+BiGRU-GATT分类网络模型
3.2 设置参数，训练模型
50个epoch，准确率99%，用KNN-GCN+BiGRU-GATT网络分类效果显著，模型能够充分提取轴承故障信号的空间和时序特征，收敛速度快，性能优越，精度高，效果明显!
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：
其他可视化图：
（1）原始数据 t-SNE特征可视化
（2）模型训练后的 t-SNE特征可视化：
赞
收藏
回复
相关推荐
