前言

本期新增GAF+Vgg16、GAF+Resnet18、GAF+SwinTransformer，來作為與創新模型 GAF+Swin-CNN-GAM 的對比與學習。

1 創新模型相關解釋

● 數據集：CWRU西儲大學軸承數據集

● 環境框架：python 3.9  pytorch 2.1 及其以上版本均可運行

● 時頻圖像變換：提供5種時頻圖像變換方法

● 模型：創新模型和三種對比模型

● 準確率：測試集100%

● 使用對象：論文需求、畢業設計需求者

● 代碼保證：代碼注釋詳細、即拿即可跑通。

提供馬爾可夫轉換場 MTF 、遞歸圖 RP 、格拉姆矩陣GAF、連續小波變換CWT、短時傅里葉變換STFT五種時頻圖像變換方法，可靈活替換時頻圖像類型！

代碼下載地址：

???https://mbd.pub/o/bread/ZZ2VmJtt???

2 模型與創新點介紹

2.1 SwinTransformer 介紹：

SwinTransformer是一種通用視覺任務的Backbone而存在的模型，以替代CNN：

（1）層次化設計：

Swin Transformer引入了層次化特征表示的概念，類似于CNNs中常見的金字塔結構。這使得它在處理高分辨率圖像時更加高效，能夠逐步聚合信息，并以多尺度特征應對不同的視覺任務。

（2）滑動窗口機制：

Swin Transformer通過滑動窗口的方式計算注意力，使得每個窗口內部的注意力計算復雜度大幅降低。這種局部注意力機制有效地解決了ViT在高分辨率圖像處理時的計算瓶頸問題。

（3）移位窗口策略：

為了增強不同窗口間的信息交流，Swin Transformer采用了移位窗口策略（Shifted Window）。這種策略通過在相鄰層中移動窗口的位置，實現了跨窗口的信息交互，從而提升了模型的表達能力

2.2 模型創新點介紹：

?（1）通過格拉姆矩陣GADF把一維時序故障信號轉化為二維圖像；

（2）分支一：圖像數據通過頂會模型 Swin Transformer 的窗口注意力機制提取故障圖像局部特征；

（3）分支二：同時故障圖數據像通過基于全局注意力機制 GAM-Attention 的 CNN2d 卷積池化網絡；

（4）然后兩個分支提取的全局空間特征和局部特征通過融合后進行自適應平均池化，使模型能夠更好地融合不同層次的特征表示，提高模型性能和泛化能力。?

3 時頻圖可視化與結果可視化

3.1 時頻圖像可視化介紹：

軸承一維故障信號數據（十分類）：

馬爾可夫轉換場 MTF：

遞歸圖 RP ：

格拉姆矩陣GAF變換二維圖像數據

電能質量擾動信號：

馬爾可夫轉換場 MTF：

遞歸圖 RP：

GAF變換二維圖像數據

3.2 結果可視化介紹：

代碼配有

（1）訓練可視化：

（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）混淆矩陣：

（5）分類標簽可視化

連續小波變換CWT時頻圖數據

短時傅里葉變換STFT時頻圖數據

 4 基于GADF+Swin-CNN-GAM分類網絡模型

4.1 設置參數，訓練模型

50個epoch，準確率近100%，用GADF+Swin-CNN-GAM網絡分類效果顯著，創新模型能夠充分提取軸承故障信號的全局空間和局部特征，收斂速度快，性能優越，精度高，效果明顯!

4.2 模型評估

準確率、精確率、召回率、F1 Score

故障十分類混淆矩陣：

本文轉載自??????建模先鋒???????，作者：小蝸愛建模