往期精彩内容：

Python轴承故障诊断 (14)高创新故障识别模型-CSDN博客

独家原创 | SCI 1区 高创新轴承故障诊断模型！-CSDN博客

基于 GADF+Swin-CNN-GAM 的高创新轴承故障诊断模型-CSDN博客

Python轴承故障诊断 (19)基于Transformer-BiLSTM的创新诊断模型-CSDN博客

Python轴承故障诊断 (20)高创新故障识别模型（三）-CSDN博客

视觉顶会论文 | 基于Swin Transformer的轴承故障诊断-CSDN博客

Python轴承故障诊断 | 多尺度特征交叉注意力融合模型-CSDN博客

SHAP 模型可视化 + 参数搜索策略在轴承故障诊断中的应用-CSDN博客

速发论文 | 基于 2D-SWinTransformer+1D-CNN-SENet并行故障诊断模型-CSDN博客

Python轴承故障诊断 (21)基于VMD-CNN-BiTCN的创新诊断模型-CSDN博客

1DCNN-2DResNet并行故障诊断模型-CSDN博客

基于改进1D-VGG模型的轴承故障诊断和t-SNE可视化-CSDN博客

基于K-NN + GCN的轴承故障诊断模型-CSDN博客

故障诊断 | 创新模型更新：基于SSA-CNN-Transformer诊断模型-CSDN博客

独家首发 | 基于 2D-SwinTransformer + BiGRU-GlobalAttention的并行故障诊断模型-CSDN博客

位置编码祛魅 | 详解Transformer中位置编码Positional Encoding-CSDN博客

创新点 | 基于快速傅里叶卷积（FFC） 的故障诊断模型-CSDN博客

代码开源! | 变工况下的域对抗图卷积网络故障诊断-CSDN博客

超强 ！顶会创新融合！基于 2D-SWinTransformer 的并行分类网络-CSDN博客

多模态-故障诊断 | 大核卷积开启视觉新纪元!-CSDN博客

超强！一区直接写！基于SSA+Informer-SENet故障诊断模型-CSDN博客

Transformer结构优势 ,How Much Attention Do You Need?-CSDN博客

故障诊断 | 一个小创新：特征提取+KAN分类-CSDN博客

故障诊断 | 信号降噪算法合集-CSDN博客

图卷积故障诊断，新增GAT、SGCN、GIN分类模型-CSDN博客

不能错过！故障诊断+时频图像分类大更新！-CSDN博客

智能故障诊断和寿命预测期刊推荐-CSDN博客

故障诊断一区直接写，图卷积+BiGRU-Attention 并行诊断模型-CSDN博客

故障诊断高创新！基于1D-GRU+2D-MTF-ResNet-CBAM的多模态融合分类模型_基于1dcnn-informer+matt融合的故障诊断模型-CSDN博客

创新首发！ | 基于1DCNN-Informer+MATT融合的故障诊断模型_论文复现基于 1dcnn bilstm 的航空发动机故障分类研究-CSDN博客

轴承故障特征—SHAP 模型 3D 可视化_shap值溯源模型-CSDN博客

时频图像/多模态+顶会论文创新，故障诊断发文不是梦！-CSDN博客

江南大学轴承故障诊断教程+1DVGG-6种注意力机制合集！-CSDN博客

轴承寿命预测全家桶更新！新增西交XJTU-SY数据集+预测模型合集_hxd3b 型电力机车轴承寿命预测实例中,一张该模型预测结果-CSDN博客

最强更新！西储大学（CWRU）轴承数据集保姆级教程！-CSDN博客

故障诊断 SCI 1 区直接写！基于GADF+SwinTransformer-CBAM+GRU的多模态融合分类模型-CSDN博客

故障诊断模型评估——混淆矩阵，如何使样本量一致（上）-CSDN博客

PHM2012 - 基于 Python 的轴承寿命预测模型

故障诊断模型评估——你了解混淆矩阵吗？（下）

多源信息融合+经典卷积网络故障诊断模型合集-CSDN博客

重大更新！基于WDCNN的故障诊断模型

创新首发！齿轮箱故障诊断：基于MTF+Swin-Informer的多模态创新模型

基于多尺度卷积神经网络（MSCNN-1D）的轴承信号故障诊断模型

创新首发！基于CNN-BiLSTM-KAN模型的滚动轴承剩余使用寿命预测

高效对抗噪声！基于深度残差收缩网络（DRSN）的轴承故障诊断模型

特征提取+概率神经网络 PNN 的轴承信号故障诊断模型

创新首发！基于VMD+WDCNN-SENet的故障诊断模型

前言

本文基于凯斯西储大学（CWRU）轴承数据，先经过数据预处理进行数据集的制作和加载，最后通过Pytorch实现FFT+WDCNN-Transformer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

注意：本模型继续加入 轴承故障诊断—创新模型全家桶 中，之前购买的同学请及时更新下载!（性价比极高）

1 模型简介与创新点介绍

1.1 模型简介

● 数据集：CWRU西储大学轴承数据集

● 环境框架：python 3.9  pytorch 1.8 及其以上版本均可运行

● 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。

全网最低价，创新网络分类效果显著，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。创新度也有！！！高性价比、高质量代码，大家可以了解一下：（所有全家桶模型会不断加入新的模型进行更新！后续会逐渐提高价格，越早购买性价比越高！！！）

1.2 创新点介绍

基于FFT+WDCNN-Transformer的轴承故障诊断创新模型：

1. 原理流程：

（1）原始信号输入：输入轴承振动信号（时域信号）作为模型的初始数据。

（2）两个独立分支分别提取时频域特征

时域分支

• 直接将原始时域信号输入到WDCNN-Transformer串行模型结构中；

• 通过WDCNN（宽度可变卷积神经网络）提取时域的局部时序特征；

• 通过Transformer模块捕获远距离的全局依赖和上下文信息；

• 最终获得时域特征表示。

频域分支

• 对原始信号进行快速傅里叶变换（FFT），获得频域特征表示；

• 将频域信号输入到WDCNN-Transformer串行模型结构中；

• 类似时域分支，先由WDCNN提取局部频域特征，再由Transformer捕获频域全局依赖；

• 最终获得频域特征表示。

（3）时频域特征融合

• 将时域分支和频域分支得到的特征矩阵进行加权矩阵加法融合，实现时频域信息交融；

• 融合后的特征同时包含时序动态信息和频率成分信息。

（4）故障分类

使用融合后的特征矩阵作为输入，通过分类器（如全连接层及Softmax）进行轴承故障类别判别。

2.创新点：

（1）双分支时频域并行特征提取

• 传统故障诊断单纯用时域或频域手工特征，或单一路径深度网络。

• 本模型同时利用时域和频域两个分支，并分别用深度网络自动提取特征，保证多角度充分挖掘信号信息。

（2） WDCNN-Transformer串行结构

• WDCNN宽度可变设计适合多尺度特征提取，增强了时频特征的表达能力；

• Transformer引入自注意力机制，有效捕获长距离依赖关系，提高模型对复杂信号的建模能力；

• 将CNN和Transformer串联，提高时序和空间特征的利用效率。

（3）时频域特征融合

• 采用特征矩阵的加权加法融合方式，避免简单拼接导致维度膨胀问题；

• 特征融合充分结合时频信息互补优势，增强故障特征的区分度。

• 模型可以直接接收原始信号和其频谱信号，无需复杂人工特征工程；

• 端到端训练提高了模型可扩展性和泛化能力。

2 轴承数据加载与预处理

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7：2：1划分训练集、验证集、测试集，最后保存数据

2.2 故障FFT变换可视化

2.3 故障数据的预处理

3 基于FFT+WDCNN-Transformer的创新诊断模型

3.1 定义FFT+WDCNN-Transformer网络模型

3.2 设置参数，训练模型

50个epoch，准确率100%，FFT+WDCNN-Transformer网络分类效果显著，模型能够充分提取轴承故障信号的多尺度特征，收敛速度快，性能特别优越，效果明显。

3.3 模型评估

（1）准确率、精确率、召回率、F1 Score

（2）故障十分类混淆矩阵：

（3）分类标签可视化

（4）原始数据 t-SNE特征可视化

（5）模型训练后的 t-SNE特征可视化：

4 代码、数据整理如下：

点击下方卡片获取代码！