#604_基于2D-SWinTransformer+1D

-CNN-SENet并行的故障诊断模型

合作方：[建模先锋] 团队

• 代码简介：本模型主要对论文《Swin Transformer: Hierarchical Vision Transformer using Shifted Windows》Swin Transformer窗口注意力进行复现，然后融合通道注意力机制进行创新。创新点：

• （1）预处理部分：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；

• （2）我们创造性的提出把一维故障信号进行基于顶会模型 SWinTransformer 的2D卷积学习，利用其窗口注意力机制提取故障信号的局部特征；

• （3）多尺度特征同时通过基于通道注意力机制优化的 1DCNN 卷积池化网络, 使模型能够自动学习到不同通道的重要性, 加强对信号全局特征的学习；

• （4）最后两个分支提取的局部特征和全局空间特征，分别通过自适应平均池化后进行融合，使模型能够更好地融合不同层次的特征表示，提高模型性能和泛化能力。

• 代码内容：包括完整的轴承故障数据集， 以及已经生成制作好的故障信号数据集，还有变分模态分解VMD、快速傅里叶变换FFT示例。创新网络分类效果显著，测试集准确率为100%。模型能够充分提取轴承故障信号的空间、时序特征和频域特征，收敛速度快，性能优越， 精度高，创新度也有！同时提供相关对比实验、模型消融实验，通过实验证明，我们的模型具有超强的分类能力和泛化能力

• 数据预处理：可支持1维原始信号数据，快速傅里叶变换（FFT）和变分模态分解（VMD）

• 网络模型：2D-SWinTransformer+1D-CNN-SENet

• 数据集：CWRU、东南大学轴承数据集

• 网络框架：pytorch

• 结果输出：训练过程损失图、准确率曲线图、测试集准确率报告、混淆矩阵、t-sne可视化、分类标签可视化

• 准确率：测试集100%(CWRU)、测试集99%(东南大学)

• 提供实验：对比实验、消融实验、泛化实验

• 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。

• 额外免费服务：可提供半个小时的线上集中答疑

网络模型架构：

模型训练过程损失-准确率图：

故障十分类 测试集精度

混淆矩阵：

分类标签可视化：

原始数据t-sne可视：

模型测试集t-sne可视化

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。  

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  

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！  

模型代码、数据集：（提供Pycahrm风格 和 jupyter风格）的数据  

来源：故障诊断与python学习