一组基于EMD分解的故障诊断模型对比！故障诊断全家桶更新！

同时，我们对不同模型在测试集上的 Accuracy、Precision、Recall、F1 Score 进行了统一对比。我们新增了数据集和预处理的详细教程、jupyter 代码教程、pycharm 代码教程，进行了比较规范的基于 Pycharm 编辑器进行实现的代码，并且优化了训练过程的代码。这次更新不仅补充了模型对比结果，也进一步完善了配套教程、代码结构和训练说明，适合作为故障诊断方向的学习、复现与论文实验参考。方便同学们入门学习！请同学们更新后按照视频教程进行运行！

● 数据集：凯斯西储大学（CWRU）轴承数据集

● 环境框架：python 3.11 pytorch 2.1 及其以上版本均可运行

● 准确率：测试集99%

● 使用对象：初学者、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。

结果表明：
在这组实验设置下，EMD-CNN 与 EMD-CNN-Transformer 表现最好，测试准确率均达到 0.9950；EMD-CNN-GRU（并联）紧随其后，达到 0.9900；而单独使用序列建模的 EMD-LSTM 整体表现明显偏弱。

1 模型对比分析

1.1 为什么 EMD-LSTM 最弱？

（1）核心思想：EMD 分解后，直接使用 LSTM 对分量序列进行建模。

（2）问题所在：LSTM 的优势在于建模时间依赖，但在故障诊断中，很多关键特征并不是长时依赖本身，而是：

局部脉冲模式
局部波形突变
局部频带特征
多尺度局部结构

这些特征更适合由 CNN 去提取。单独用 LSTM，往往会出现：

局部判别模式提取不足
对高频冲击特征不够敏感
模型表达能力与任务特征不匹配

因此 EMD-LSTM 的整体效果明显落后，也说明：对于这类机械故障信号，单纯依赖序列建模通常不如“分解 + 卷积特征提取”更有效。

1.2 为什么 EMD-CNN-LSTM（串联）没有想象中好？

很多初学者做模型设计时，会自然采用“CNN 提特征，再送给 LSTM”的串联方式，因为这种结构直观、常见、容易理解。但它的问题也很明显：

（1）串联不等于互补：如果 CNN 提取出来的特征已经足够强，那么 LSTM 再往后接，并不一定继续增益，反而可能引入冗余学习。

（2）特征重组过程可能带来信息损失：CNN 的输出要适配成 LSTM 能处理的时序输入格式，这种 reshape 或序列化过程未必天然合理。

（3）模型复杂度上升，但收益不一定同步增加：参数更多、训练更慢、调参更难，但最终效果未必更好。

因此，串联模型常见，但并不是默认优选方案。

1.3 为什么 EMD-CNN-Transformer 没有明显超过 EMD-CNN？

这是一个非常值得讨论的结果。很多同学会下意识认为：“Transformer 更先进，所以一定比 CNN 更强。”但实验结果并不支持这种简单判断。这里 EMD-CNN-Transformer 与 EMD-CNN 的结果几乎一致，说明在当前任务设置下，Transformer 并没有带来显著增益。

可能原因有三点：

（1）任务本身更依赖局部判别模式：故障诊断中的很多有效特征，本质上是局部冲击、周期性扰动、频带能量变化等模式。

这类模式，CNN 本身就很擅长提取。

（2）EMD 已经完成了一轮“结构化预处理”：EMD 不是普通归一化，它本身就在做一种信号层面的结构分解。

经过 EMD 后，输入特征复杂度下降，CNN 已经可以较充分地学习判别信息，Transformer 的全局建模优势未必能完全发挥出来。

（3）数据规模与任务难度限制了 Transformer 的收益：Transformer 往往更依赖：

更大的数据量
更复杂的依赖关系
更充分的训练策略

而在标准故障诊断数据集上，特别是在样本规模有限、类别边界相对清晰时，Transformer 不一定天然占优。

结论：Transformer 不是无条件优于 CNN。

在 EMD + 故障诊断这类任务中，是否值得引入 Transformer，要看数据规模、任务复杂度和工程成本，而不是只看“模型热度”。

1.4 为什么 EMD-CNN-GRU（并联）表现也很强？

（1）核心思想：CNN 分支负责提取局部空间/局部模式特征，GRU 分支负责建模序列动态信息，两路特征并行提取后再进行融合分类。适用场景

同时关注局部故障冲击与序列演化规律的任务
想兼顾卷积特征提取与时序记忆能力的场景
需要在效果和复杂度之间折中的工程实现

优点

兼顾局部特征与时序依赖
比串联方式更灵活
融合后的表征往往更充分

（2）为什么优于 EMD-CNN-LSTM（串联）

并联结构的一个重要优势在于：CNN 和 GRU 各自独立学习，再进行融合，不会过早把一种特征表达压缩成另一种结构所要求的输入形式。而串联结构中，前一模块的输出形式会直接限制后一模块的建模空间，容易带来特征信息损失或表达受限。因此在很多任务中，并联结构比机械式串联更稳。

从结果也能看出：

EMD-CNN-GRU（并）F1 = 0.9901
EMD-CNN-LSTM（串）F1 = 0.9446

差距是比较明显的。

2 更新简介

2.1 新增视频教程：

增加了详细的视频教程，深入浅出的讲解，可以最为故障诊断系列模型的入门级学习教程！新增CNN-GRU并行模型参数介绍！

2.2 jupyter 代码更新：

（1）增加数据集可视化讲解

（2）优化训练代码

经过优化后的训练代码，大大缩短了训练的时间！我们严格按照完整的GitHub-Pytorch深度学习项目结构，重新编写了代码，方便大家学习养成规范的代码编写习惯！后续如有需要编写论文的开源代码，也可仿照重构代码！

3 轴承数据加载与预处理

3.1 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

3.2 故障EMD分解可视化

3.3 故障数据的EMD分解预处理

由结果可以看出，大部分信号样本都分解出8个分量，将近1/3的信号分解的不是8个分量。EMD设置不了分解出模态分量的数量（函数自适应），为了使一维信号分解，达到相同维度的分量特征，有如下3种处理方式：

删除分解分量不统一的样本（少量存在情况可以采用）；
对于分量个数少的样本采用0值或者其他方法进行特征填充，使其对齐其他样本分量的维度（向多兼容）；
合并分量数量多的信号（向少兼容）；

本模型采用第二、三条结合的方式进行预处理，即删除分量小于7的样本，对于分量大于7的样本，把多余的分量进行合并，使所有信号的分量特征保持同样的维度。

4 基于EMD+CNN-Transformer的诊断模型

4.1 定义EMD+CNN-Transformer网络模型

4.2 设置参数，训练模型

50个epoch，准确率100%，EMD+CNN-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。

4.3 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：

5 下载更新地址

点击下方卡片获取代码！

AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

RAG入门：用LangChain搭建你的第一个知识库问答系统

AtomGit开源社区

滑移转向车辆MPC轨迹跟踪与转矩分配【附代码】

建立包含纵向、横向和横摆的三自由度车辆动力学模型，轮胎模型选用联合工况下的Pacejka魔术公式，纵向刚度Bx=12.4，横向刚度By=9.7，峰值附着系数μ=0.85。但在车速从5米/秒变化至15米/秒时，固定时域参数的MPC跟踪精度会下降，15米/秒时横向误差升至0.38米。通过仿真遍历车速5至15米/秒，记录各车速下使横向误差最小的Np和Nc值，得到Np_opt = round(6.2 +