?前言

本文基于凱斯西儲大學（CWRU）軸承數據和東南大學軸承數據，進行快速傅里葉變換（FFT）和變分模態分解VMD的數據預處理，最后通過Python實現基于2D-SWinTransformer + 1D-CNN-SENet并行的特征融合模型對故障數據的分類。

1 模型泛化實驗--西儲大學數據集

1.1 設置參數，訓練模型

1.2 模型評估

準確率、精確率、召回率、F1 Score

故障十分類混淆矩陣：

其他可視化圖：

（1）分類標簽可視化

（2）原始數據 t-SNE特征可視化

（3）模型訓練后的 t-SNE特征可視化：

（4）模型訓練過程可視化：

2 模型泛化實驗--東南大學軸承數據集

2.1 設置參數，訓練模型

2.2 模型評估

準確率、精確率、召回率、F1 Score

故障五分類混淆矩陣：

其他可視化圖：

（1）分類標簽可視化

（2）原始數據 t-SNE特征可視化

（3）模型訓練后的 t-SNE特征可視化：

3 模型對比實驗--東南大學軸承數據集

與常規深度學習模型進行對比

對比實驗結果如表所示，在東南大學軸承數據集上CNN類卷積網絡要好于用于時序任務上的LSTM、TCN等模型；Transformer因其結構的優勢和注意力機制表現出良好的性能；對比常見的深度學習模型，我們所推出的創新模型效果最好！

基于窗口注意力機制的 SwinTransformer結合通道注意力優化的1DCNN網絡能夠更好地融合不同層次的特征表示，使得模型更關注重要的特征，提高模型性能和泛化能力。

4 模型消融實驗--東南大學軸承數據集

模型自身模塊的消融實驗

并不是所有的模型都"敢"做消融實驗，我們提出的創新模型經受住了消融實驗的檢驗，可以看出不同模塊對于實驗結果的提升，有著明顯的作用！

總結：

我們創造性的提出一種 VMD-FFT預處理，2D-SwinTransformer+ 1DCNN-SENet的并行診斷模型，在多個數據集上表現優越，有著良好的泛化性能！通過對比試驗、消融實驗等大量的對比驗證工作，能夠表明我們所提模型在軸承故障診斷任務上效果明顯！創新度高!

本文轉載自??建模先鋒??，作者： 小蝸愛建模 ????