成都网站建设 3e网络,网站运营策略,网络运维工程师是做什么的,山西seo关键词优化软件搜索往期精彩内容#xff1a;
Python-凯斯西储大学#xff08;CWRU#xff09;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… 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VMDCNN-BiLSTM的故障分类-CSDN博客
Python轴承故障诊断 (十)基于VMDCNN-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VMDCNN-BiGRU-Attenion的故障分类-CSDN博客
创新点利用交叉注意力机制融合特征模型 前言
本文基于凯斯西储大学CWRU轴承数据进行快速傅里叶变换FFT的介绍与数据预处理最后通过Python实现基于FFT的CNN-BiLSTM-CrossAttention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 模型整体结构
模型整体结构如下所示一维故障信号经过FFT变换的频域特征以及信号本身的时域特征分别经过CNN卷积池化操作提取全局特征然后再经过BiLSTM提取时序特征使用交叉注意力机制融合时域和频域的特征通过计算注意力权重使得模型更关注重要的特征再进行特征增强融合最后经过全连接层和softmax输出分类结果。 时域和频域特征提取 对时域信号应用FFT将信号转换到频域。 利用CNN对频域特征进行学习和提取。CNN的卷积层可以捕捉频域特征的局部模式。 BiLSTM网络 将时域信号输入BiLSTM网络。BiLSTM双向长短时记忆网络可以有效地捕捉时域信号的长期依赖关系。 交叉注意力机 使用交叉注意力机制融合时域和频域的特征。这可以通过计算注意力权重使得模型更关注重要的特征 1 快速傅里叶变换FFT原理介绍
傅里叶变换是一种信号处理和频谱分析的工具用于将一个信号从时间域转换到频率域。而快速傅里叶变换FFT是一种高效实现傅里叶变换的算法特别适用于离散信号的处理。 第一步导入部分数据
fromscipy.ioimportloadmat
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rc(font, familyMicrosoft YaHei)# 读取MAT文件
data1 loadmat(0_0.mat) # 正常信号
data2 loadmat(21_1.mat) # 0.021英寸 内圈
data3 loadmat(21_2.mat) # 0.021英寸 滚珠
data4 loadmat(21_3.mat) # 0.021英寸 外圈
# 注意读取出来的data是字典格式可以通过函数type(data)查看。
第二步故障信号可视化 第三步故障信号经过FFT可视化 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721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 制作数据集和对应标签 3 交叉注意力机制 3.1 Cross attention概念 Transformer架构中混合两种不同嵌入序列的注意机制 两个序列必须具有相同的维度 两个序列可以是不同的模式形态如文本、声音、图像 一个序列作为输入的Q定义了输出的序列长度另一个序列提供输入的KV
3.2 Cross-attention算法 拥有两个序列S1、S2 计算S1的K、V 计算S2的Q 根据K和Q计算注意力矩阵 将V应用于注意力矩阵 输出的序列长度与S2一致 在融合过程中我们将经过FFT变换的频域特征作为查询序列时序特征作为键值对序列。通过计算查询序列与键值对序列之间的注意力权重我们可以对不同特征之间的关联程度进行建模。 4 基于FFTCNN-BiLSTM-CrossAttention的轴承故障识别模型
4.1 网络定义模型 注意输入故障信号数据形状为 [32, 1024] batch_size32, 1024代表序列长度。 4.2 设置参数训练模型 50个epoch准确率100%用FFTCNN-BiLSTM-CrossAttention融合网络模型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和频域特征收敛速度快性能优越精度高交叉注意力机制能够对不同特征之间的关联程度进行建模从故障信号频域、时域特征中属于提取出对模型识别重要的特征效果明显。 4.3 模型评估
准确率、精确率、召回率、F1 Score 故障十分类混淆矩阵 5 代码、数据整理如下
