我们一起聊聊基于1DCNN-Informer+MATT融合的故障诊断模型

1.模型简介与创新点介绍

1.1 模型简介

● 数据集：CWRU西储大学轴承数据集

● 环境框架：python 3.9  pytorch 1.8 及其以上版本均可运行

● 准确率：测试集100%

● 使用对象：论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

1.2 创新点介绍

创新一：独家原创预处理

结合快速傅里叶变换FFT和变分模态分解VMD来进行信号的时频、域特征提取，能够挖掘故障信号中的多尺度特征：

（1）预处理——FFT：FFT是一种广泛应用的频域分析方法，可以将信号从时域转换到频域，得到信号的频谱信息。通过FFT，我们可以获取信号在不同频率上的能量分布，进而了解信号的频率成分。然而，FFT只提供了信号在某个时刻的频谱信息，无法反映信号随时间的变化。

（2）预处理——VMD：为了解决这个问题，可以引入变分模态分解（VMD）。VMD是一种基于信号自适应调整的模态分解方法，可以将信号分解为一系列模态函数，每个模态函数代表信号在不同尺度上的特征。通过VMD，我们可以获得信号在不同尺度上的时域特征信息。

创新二：双支路特征提取并行网络

（1）双支路结构设计：在创新模型中，信号经过预处理后，通过两个并行的特征提取支路进行处理，以捕获信号的不同特征：

• 1DCNN支路：利用一维卷积神经网络（1DCNN）处理经过FFT+VMD预处理后的时序信号，着重捕捉局部时域特征，通过卷积核的滑动实现平移不变性，增强对局部模式的识别能力。
• Informer支路：采用Informer编码器架构处理信号的全局特征，特别适合长序列数据的建模，能够更好地捕捉信号的时序依赖和全局模式。

（2）并行处理优势：两个支路在特征提取时可以同时进行，相互独立但最终互补。1DCNN专注于短期局部特征，Informer则覆盖长期依赖和全局特征，通过这种并行处理方式，实现对信号多尺度、多方面特征的全面捕捉。

创新三：多头注意力机制（Multi-Head Attention）特征融合

（1）多头注意力机制融合：使用多头注意力机制来融合来自不同支路的特征。每个注意力头可以看作是一个特征提取器，专注于特征的不同部分或不同方面。多头注意力机制通过计算特征之间的相关性权重，动态调整特征的重要性，从而实现特征的加权融合。这种机制不仅能提升特征的表达能力，还能够通过关注重要特征的方式增强模型的鲁棒性，对抗噪声和干扰。

（2）优势：多头注意力机制的使用，使得融合后的特征更加具有层次性和多样性，有助于提升分类模型的准确性和泛化能力。在处理复杂信号时，能够更好地捕获故障信号的细微特征和模式变化，提高故障诊断的准确率和可靠性。

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 故障FFT变换可视化

2.3 故障VMD分解可视化

2.4 故障数据的特征预处理数据集制作

3 基于1DCNN-Informer+MATT的轴承故障诊断模型

3.1 设置参数，训练模型

模型分类效果显著，50个epoch，准确率100%，快速傅里叶变换（FFT）和变分模态分解（VMD）可以有效地挖掘信号中的多尺度特征，1DCNN-Informer+MATT并行的创新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，能够从故障信号频域、时域特征中属于提取出对模型识别重要的特征，效果明显，创新度高!

3.2 模型评估

准确率、精确率、召回率、F1 Score

故障十分类混淆矩阵：

3.3 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：

本文转载自​​建模先锋​​，作者：小蜗爱建模