故障诊断代码 | #602_基于GADF+Swin-CNN-GAM 的轴承故障诊断模型(299元)

#602_基于GADF+Swin-CNN-GAM 的轴承故障诊断模型

• 合作方：[建模先锋] 团队

• 代码简介：本模型主要复现论文《Swin Transformer: Hierarchical Vision Transformer using Shifted Windows》Swin Transformer窗口注意力，然后融合全局注意力机制模块进行创新。创新点：

• (1) 通过格拉姆矩阵GADF把一维时序故障信号转化为二维图像；

• (2) 分支一：图像数据通过顶会模型 Swin Transformer 的窗口注意力机制提取故障图像局部特征；

• (3) 分支二：同时故障图数据像通过基于全局注意力机制 GAM-Attention 的 CNN2d 卷积池化网络；

• (4) 然后两个分支提取的全局空间特征和局部特征通过融合后进行自适应平均池化，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。

• 创新模型能够充分提取轴承故障信号的全局空间和局部特征，收敛速度快，性能优越，精度高，效果明显!

• 提供关于一维时序信号的 格拉姆矩阵GAF、连续小波变换CWT、短时傅里叶变换STFT等相关时频图像的分类处理方法，提供更改数据集接口，可替换信号数据和不同图像的变换处理，来进行此创新模型的实验验证

• 创新点参考文献：2021年IEEE/CVF International Conference on Computer Vision (ICCV)《Swin Transformer: Hierarchical Vision Transformer using Shifted Windows》。论文阅读点击阅读原文。

• 数据预处理：可支持格拉姆矩阵GAF、连续小波变换CWT、短时傅里叶变换STFT三种图像数据

• 网络模型：GADF+Swin-CNN-GAM

• 数据集：CWRU

• 网络框架：pytorch

• 结果输出：训练过程曲线图、测试集准确率、混淆矩阵

• 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。

• 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：  
 

代码文件截图：  




附加提供不同小波基函数 、不同中心频率、不同带宽时频图对比



不同小波基函数

不同中心频率

不同带宽