基于Transformer（一维数据）的滚动轴承故障诊断实例代码torch(10分类)

原创 已于 2025-04-11 09:12:52 修改 · 1k 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #transformer #人工智能 #神经网络

于 2024-12-17 16:40:26 首次发布
部署运行你感兴趣的模型镜像

#基于Transformer（一维数据）的滚动轴承故障诊断实例代码torch(10分类)

前言

构建一个名为Transformer的混合神经网络模型，它结合了传统的Transformer架构和时间序列处理的TimeTransformer。模型首先通过一个自定义的模块对输入数据进行预处理，提取局部特征k和全局特征g。接着，使用TimeTransformer模块处理时间序列数据，该模块基于Transformer架构，具备多头自注意力机制，能够捕捉数据中的时空依赖性。最后，模型通过一个多层感知机（MLP）头将时间特征映射到类别标签，实现分类任务。整个模型结构体现了对时空特征的深度融合和利用，用于处理需要同时考虑时间序列和空间特征的任务。

本模型使用的一维轴承数据，数据集是CWRU数据集。

一、Transformer是什么？

Transformer是一种基于自注意力机制的深度学习模型，最初由Vaswani等人在2017年提出，用于处理序列数据，特别是在自然语言处理领域中的翻译任务。它摒弃了传统的循环神经网络结构，通过并行处理序列中的所有元素来提高训练效率和性能。在轴承故障诊断中，Transformer可以被用来分析轴承振动信号的时间序列数据，通过捕捉信号中的复杂模式和时序依赖关系，从而实现对轴承健康状态的准确评估和故障类型的识别。

二、TimeTransformer是什么？

TimeTransformer是一种深度学习模型，它基于Transformer架构，专门设计用于处理时间序列数据，如视频帧序列。与传统的Transformer不同，TimeTransformer能够直接从序列中学习时空特征，无需依赖于卷积操作。在轴承故障诊断领域，TimeTransformer可以应用于分析轴承的振动信号，通过捕捉信号中的时空依赖性来识别轴承的健康状况。具体来说，TimeTransformer通过将一维振动信号转换为二维时频图，然后输入到模型中进行特征提取，最后通过分类器进行故障类型判别。这种方法能够有效地从原始信号中提取出有用的特征，并识别出轴承的故障模式，展现出优越的诊断性能。

三、实验结果

评估参数:
迭代30次
训练和测试
29 train ACC:1.0000
29 validation ACC:1.0000
验证：
F1 Score: 1.0
FPR: 0.0
Recall: 1.0
Precision: 1.0

代码运行可生成如下结果图片

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

提示：完整代码见某鱼：WQTPZ1973
也可直接搜索即可

您可能感兴趣的与本文相关的镜像

PyTorch 2.6

PyTorch 2.6

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

python实战故障诊断之CWRU数据集（一）：数据集初识
白银时代的博客
07-20 9767
在完成了振动信号处理的基础篇与高级篇后，不少读者建议采用真实数据对各类振动信号算法进行剖析。经过几个月的搜集与积累，笔者决定从公开的凯斯西储大学(CWRU)轴承数据入手，以新南威尔士大学RobertB.Randall教授数十年多篇论文为切入点，继续与大家探索隐藏在振动信号中的奥秘。.........
文献阅读（1）--TNNLS 论文：一种用于轴承故障诊断的变分transformer
cnjs1994的博客
11-07 1059
variable transformer（一种可解释的深度学习模型--变分注意力transformer结构）
西储大学(CWRU)轴承数据集故障诊断(一)：数据读取，数据集划分
热门推荐
weixin_45279187的博客
04-21 3万+
CWRU轴承数据集故障诊断博客编写背景数据集读取数据集划分训练与测试代码 博客编写背景 本次博客是对深度学在机械设备的故障诊断(模式识别)领域的入门级的基础教程，主要是专门针对CWRU滚动轴承故障数据集的数据读取、数据集的划分进行展开。希望对初入故障诊断的大四毕业设计和研一的课题入门有一定的帮助。后续将会持续进行进阶的博客撰写和代码的编写。 数据集读取 不管是深度学习做寿命预测还是做故障诊断，我相信，难道初学者的第一步便是对数据集进行读取的操作以及进行振动信号的预处理如FFT、STFT、HHT、CWT；或者
CWRU轴承数据集下载与使用指南
最新发布
DiamondWolf89的博客
11-03 477
CWRU（凯斯西储大学）轴承数据集是机械故障诊断领域的经典基准数据，包含电机轴承在不同工况下的振动信号记录。的在线环境，可以立即开始您的轴承故障分析项目，无需繁琐的环境配置，真正实现开箱即用。：原始数据为MATLAB格式(.mat)，包含振动信号和对应的转速、负载等工况参数。正常基线数据（Normal Baseline）包含内圈、外圈、滚动体等不同部位的故障类型。3. 机器学习/深度学习实战练习。1. 机械故障诊断算法开发。4. 工业预测性维护研究。时频特征：小波变换分析。2. 信号处理教学演示。
CWRU（凯斯西储大学） 轴承数据集简介
zhulewen的博客
07-13 1万+
凯斯西储数据集介绍
【故障诊断】基于Transformer、加入输入编码Transformer的轴承故障诊断信号分类研究[西储大学数据]（Python代码实现）
ssswww56的博客
11-30 876
Transformer模型最初在自然语言处理领域取得了巨大成功，其强大的时序特征提取能力使得它成为处理序列数据的理想选择。在轴承故障诊断中，Transformer模型可以有效地捕捉振动信号中的长期依赖关系，从而提取出故障特征。
视觉Transformer原理与代码实例讲解
AI天才研究院
07-07 1138
视觉Transformer原理与代码实例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词：视觉Transformer, 图像处理, 多尺度特征融合, 自注意力机制, 计算效率 1. 背景介
使用Vision Transformer来对CIFA-10数据集进行分类
Bustinfstupid的博客
08-01 1922
vit的使用，读者可以自己修改超参数用到自己的数据集上面
PyTorch生成式人工智能（29）——基于Transformer生成音乐
盼小辉丶的博客
09-01 4523
本文介绍了基于Transformer架构的音乐生成方法，将音乐视为一系列事件序列进行处理。与将音乐表示为多维图像的MuseGAN不同，该方法使用类似GPT的仅解码器模型，基于先前事件预测下一个音乐事件。模型使用MIDI格式的钢琴音乐数据，通过分词处理将音符转换为note-on、note-off、time-shift和velocity四种事件类型，共388个独特词元，映射为索引序列后输入网络。训练完成后，可通过调整温度参数控制生成音乐的新颖性，从而创作出风格类似训练数据且连贯逼真的音乐作品。
Transformer处理文本分类实例(Pytorch)
qq_37293230的博客
07-31 1653
数据格式如下, csv格式,分别为: 分类,标题,描述AG News数据集包含四个主要的类别：1->世界（World）、2->体育（Sports）、3->商业（Business）,4->科技（Sci/Tech）。每个类别包含30,000个训练样本和1,900个测试样本，总共120,000个训练样本和7,600个测试样本。
添加注意力机制下的transformer模型，实现轴承故障诊断（Python程序，有非常详细的代码注释，无需修改数据集路径，解压缩后可以直接运行，平均准确率在99.479%以上）
V_shouhou6668889的博客
12-23 440
使用凯斯西储大学轴承数据集，一共有4种（0hp/1hp/2hp/3hp）负载下采集的数据，每种负载下有10种 故障状态：三种不同尺寸下的内圈故障、三种不同尺寸下的外圈故障、三种不同尺寸下的滚动体故障和一种正常状态。data文件夹装的是原始数据和经process_data.py处理后的数据样本，每个样本长度为1024，并将样本分为训练集、验证集和测试集。4.效果，平均准确率在99.479%以上，这里以0hp和1hp数据集下实验结果为例进行展示。result文件夹装的是每次运行实验保存的结果。
CWRU轴承数据集(附说明文件)
05-31
CWRU轴承数据集(附说明文件)。包含所有原始数据，以mat文件格式保存。 CWRU轴承数据集(附说明文件)。包含所有原始数据，以mat文件格式保存。 CWRU轴承数据集(附说明文件)。包含所有原始数据，以mat文件格式保存。 CWRU轴承数据集(附说明文件)。包含所有原始数据，以mat文件格式保存。 CWRU轴承数据集(附说明文件)。包含所有原始数据，以mat文件格式保存。 CWRU轴承数据集(附说明文件)。包含所有原始数据，以mat文件格式保存。 CWRU轴承数据集(附说明文件)。包含所有原始数据，以mat文件格式保存。 CWRU轴承数据集(附说明文件)。包含所有原始数据，以mat文件格式保存。 CWRU轴承数据集(附说明文件)。包含所有原始数据，以mat文件格式保存。 CWRU轴承数据集(附说明文件)。包含所有原始数据，以mat文件格式保存。 CWRU轴承数据集(附说明文件)。包含所有原始数据，以mat文件格式保存。 CWRU轴承数据集(附说明文件)。包含所有原始数据，以mat文件格式保存。 CWRU轴承数据集(附说明文件)。包含所有原始数据，以mat文件格式保存。
【滚动轴承故障诊断CNN-LSTM实例代码torch(10分类) 】
pitepa的博客
05-08 1726
针对大数据下的滚动轴承振动信号自适应故障特征提取与智能诊断问题,提出了一种结合卷积神经网络(CNN)与长短时记忆网络(LSTM)的故障诊断模型.首先通过网格搜索算法寻找到当前模型的最优初始参数;然后以原始一维振动信号作为模型的输入,利用网络CNN层自适应提取短时特征信并降维后作为LSTM层输入;接着利用LSTM层学习特征信息并训练神经网络模型;最后,网络输出层利用Softmax函数实现多故障模式识别,完成故障诊断。模型由6层cnn与1层lstm组成。
分类预测 | Matlab实现基于Transformer多特征分类预测/故障诊断
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
06-16 1015
分类预测 | Matlab实现基于Transformer多特征分类预测/故障诊断
基于CNN-LSTM的滚动轴承故障诊断
yexuejianghan的博客
02-25 5005
基于CNN-LSTM的滚动轴承故障诊断
【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据]（Python代码实现）
weixin_46039719的博客
12-28 1078
西储大学轴承数据集是故障诊断领域广泛使用的标准数据集之一，由凯斯西储大学（Case Western Reserve University，简称CWRU）提供。该数据集包含了多种工况和故障类型的轴承振动数据，涵盖了正常运行的轴承数据以及内圈故障、外圈故障、滚动体故障等多种故障类型的数据。数据集通过安装在电机轴承附近的加速度传感器采集，采样频率分别为12kHz和48kHz，记录了不同负载条件下的轴承振动信号。
一维transformer 分类
weixin_35755434的博客
12-21 1879
一维 transformer 是一种序列分类模型，其中用于分类的输入是一个一维序列。 它主要由两个部分组成： 编码器：输入一维序列并将其编码为一个固定长度的向量表示。 分类器：接受编码器输出的向量并输出分类结果。 一维 transformer 可以用于解决各种一维序列分类任务，例如文本分类、语音分类、生物序列分类等。它通常具有良好的性能，并且能够适应序列长度的变化。 ...
西储大学（CWRU）数据集
weixin_47482014的博客
09-16 1万+
在机器学习、信号处理和故障诊断领域，西储大学（Case Western Reserve University，简称CWRU）提供了一个非常重要的振动信号数据集——CWRU数据集。该数据集主要用于旋转机械的轴承故障检测，并且已经成为了该领域广泛使用的标准数据集之一。西储大学工程学院开发的轴承数据集源于其机械工程实验室，旨在通过采集机械振动信号进行轴承故障的检测和诊断。机械设备中的轴承是最常见且关键的组件之一，而轴承的故障会导致设备损坏、性能降低，甚至造成重大安全事故。
gaf轴承故障诊断研究python代码
04-02
### GAF 轴承故障诊断的 Python 代码实现方法研究 #### 一、GAF 的基本概念及其应用背景 格拉姆角场（Gram Angular Field, GAF）是一种将时间序列数据转化为图像的技术。通过这种技术，可以利用卷积神经网络（CNN）、变压器（Transformer）等深度学习模型来处理原本难以直接建模的时间序列数据[^1]。 #### 二、GAF 数据预处理流程 为了将轴承振动信号转换为适合 CNN 或 Transformer 输入的形式，通常会经历以下几个阶段的数据处理： 1. **标准化原始信号** 首先对采集到的轴承振动信号进行归一化操作，使其均值接近于零，标准差接近于单位方差。这一步骤有助于提高后续特征提取的效果。 2. **计算余弦相似度矩阵** 使用余弦函数构建角度表示法，并进一步生成 Gram 表达形式。具体而言，对于给定的时间序列 \(X=[x_1,x_2,...,x_n]\)，可以通过如下方式定义其对应的 GAF 图像像素值： \[ P_{ij}=\cos^{-1}\left(\frac{x_i}{\|x_i\|},\frac{x_j}{\|x_j\|}\right) \] 这里需要注意的是，\(P\) 是一个二维数组，代表最终得到的图像矩阵[^2]。 3. **增强对比度与边缘清晰度** 对初步形成的 GAF 图像执行直方图均衡化或其他形态学滤波手段，从而提升视觉质量以及机器学习算法识别精度。 #### 三、基于 GAF 的 CNN 模型设计实例 下面展示一段简单的 PyTorch 版本用于分类任务的基础框架代码片段： ```python import torch from torchvision import transforms from torch.utils.data import DataLoader, Dataset import numpy as np class BearingDataset(Dataset): def __init__(self, data_path, transform=None): self.data = np.load(data_path) # 假设已保存成 .npy 文件格式 self.transform = transform def __len__(self): return len(self.data) def __getitem__(self, idx): img = self.data[idx]['image'] # 提取每条记录中的 'image' 字段作为输入图片 label = int(self.data[idx]['label']) # 同理获取对应标签 if self.transform is not None: img = self.transform(img) sample = {'image': img, 'label': label} return sample def create_model(): model = torch.nn.Sequential( torch.nn.Conv2d(1, 32, kernel_size=3), torch.nn.ReLU(), torch.nn.MaxPool2d(kernel_size=2), torch.nn.Conv2d(32, 64, kernel_size=3), torch.nn.ReLU(), torch.nn.MaxPool2d(kernel_size=2), torch.nn.Flatten(), torch.nn.Linear(64 * 5 * 5, 1024), # 此处需依据实际尺寸调整参数大小 torch.nn.Dropout(p=0.5), torch.nn.ReLU(), torch.nn.Linear(1024, num_classes) # 替换为目标类别数目的全连接层 ) return model if __name__ == "__main__": batch_size = 32 learning_rate = 0.001 epochs = 50 dataset_dir = './bearing_data.npy' train_dataset = BearingDataset(dataset_dir, transform=transforms.Compose([ transforms.ToTensor() ])) dataloader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True) device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu') net = create_model().to(device) criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(net.parameters(), lr=learning_rate) for epoch in range(epochs): running_loss = 0. correct_predictions = 0. for i_batch, sampled_batch in enumerate(dataloader): inputs = sampled_batch['image'].float().unsqueeze(dim=1).to(device) labels = sampled_batch['label'].long().to(device) outputs = net(inputs) loss = criterion(outputs, labels) _, predicted = torch.max(outputs.data, dim=-1) correct_predictions += (predicted == labels).sum() optimizer.zero_grad() loss.backward() optimizer.step() running_loss += loss.item() accuracy = float(correct_predictions / len(train_dataset)) * 100. avg_loss = running_loss / len(dataloader) print(f"[Epoch {epoch+1}] Loss={avg_loss:.4f}; Accuracy={accuracy:.2f}%") ``` 上述脚本展示了如何加载自定义数据集并通过多层卷积结构完成监督训练过程[^3]。 #### 四、总结说明 综上所述，在工业领域中采用 GAF 技术能够有效改善传统频域分析方法存在的局限性问题；与此同时借助现代人工智能工具包快速搭建实验环境验证假设变得更为便捷高效。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

pitepa

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值