【滚动轴承故障诊断】【Pytorch】基于1DCNN、ECA-1DCNN、CBAM-1DCNN、GAM-1DCNN的滚动轴承故障诊断研究（Python代码实现）

于 2025-04-12 13:41:18 发布
阅读量907 收藏 14
点赞数 19
文章标签： python pytorch 人工智能
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。
本文链接：https://blog.youkuaiyun.com/ssswww56/article/details/147163980
版权

     💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

基于1DCNN及其注意力机制改进的滚动轴承故障诊断研究

一、1DCNN的基础结构与原理

二、注意力机制改进模型的核心创新

1. ECA-1DCNN：高效通道注意力机制

2. CBAM-1DCNN：通道与空间注意力结合

3. GAM-1DCNN：全局跨维度交互

三、滚动轴承故障诊断数据集与评价体系

四、性能对比与适用场景分析

五、未来研究方向

📚2 运行结果

🎉3 参考文献 

🌈4 Python代码、数据、文章

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

基于1DCNN及其注意力机制改进的滚动轴承故障诊断研究

一、1DCNN的基础结构与原理

1DCNN是一种专门处理一维时序信号的卷积神经网络，其核心结构包括输入层、卷积层、池化层和全连接层（图9）。卷积层通过一维卷积核在时间轴上滑动提取局部特征，池化层（如最大池化或平均池化）降低特征维度并保留关键信息，全连接层整合特征完成分类任务。相较于传统方法，1DCNN能自动提取振动信号中的故障特征，避免人工特征提取的局限性。例如，在凯斯西储大学轴承数据集中，1DCNN的原始准确率可达97.5%。

技术优势：

  • 实时性与低成本：仅需线性乘加运算，适合硬件部署。
  • 平移不变性：对大卷积核的兼容性使其能捕捉长序列中的全局特征。
  • 数据增强策略：通过窗口切片和重叠采样，数据集容量可扩展30倍。
二、注意力机制改进模型的核心创新
1. ECA-1DCNN：高效通道注意力机制

ECA模块通过局部跨通道交互（1D卷积）生成通道权重，避免降维操作，参数仅需80个。其核心公式为：
Mc(F)=Sigmoid(Conv1D(GAP(F)))

其中，GAP为全局平均池化，卷积核大小k通过通道数C自适应确定（如k=2）。实验表明，ECA-1DCNN在滚动轴承诊断中准确率达99.22%，且抗噪性能显著。

性能表现：

  • 在加噪数据（SNR=0 dB）下，准确率仍保持92%以上。
  • 与DFT结合（DFT-ECANet），频域特征增强后准确率提升至99.8%。
2. CBAM-1DCNN：通道与空间注意力结合

CBAM模块分两步：

  1. 通道注意力：结合全局平均池化和最大池化，通过共享MLP生成权重。
  2. 空间注意力：沿通道轴聚合特征，通过卷积生成空间权重。
    公式为：
    F′=Mc(F)⊗F;F′′=Ms(F′)⊗F

实验显示，CBAM-1DCNN准确率达99.53%，且收敛速度提升30%。

应用案例：

  • 在TensorFlow框架中，结合双池化层替代全连接层，测试集准确率99%。
  • 噪声环境下（高斯白噪声），鲁棒性优于传统SVM和随机森林模型。
3. GAM-1DCNN：全局跨维度交互

GAM通过3D排列和MLP保留通道-空间信息，避免信息弥散。其结构为：
F2=Mc(F1)⊗F1;F3=Ms(F2)⊗F2

通道子模块使用两层MLP，空间子模块采用卷积融合特征。实验显示，GAM-1DCNN在滚动轴承诊断中准确率高达100%，且参数量仅增加1.2%。

对比优势：

  • 在CIFAR-100和ImageNet-1K数据集中，GAM超越CBAM和SENet。
  • T-SNE可视化显示，GAM能更好分离不同故障类别的特征。
三、滚动轴承故障诊断数据集与评价体系

  1. 常用数据集：

    • 凯斯西储大学（CWRU）数据集：包含内圈、外圈、滚动体故障及正常状态，采样频率12 kHz，负载0-2,206 W。
    • MFPT数据集：涵盖真实工业场景下的轴承故障，含不同噪声和负载工况。

  2. 评价指标：

    • 准确率：主流模型可达95%-100%。
    • 鲁棒性：在30-40 dB噪声下，ECA-1DCNN和GAM-1DCNN准确率下降小于5%。
    • 收敛速度：CBAM-1DCNN训练迭代次数减少至975次，优于传统1DCNN的2700次。
四、性能对比与适用场景分析
模型准确率参数量抗噪性适用场景
1DCNN97.5%低中等低噪声、实时诊断
ECA-1DCNN99.22%极低高资源受限环境
CBAM-1DCNN99.53%中等高复杂噪声、多负载工况
GAM-1DCNN100%较高极高高精度要求的离线分析

结论：

  • ECA-1DCNN适合边缘设备部署，平衡性能与计算成本。
  • CBAM-1DCNN在变工况和噪声干扰下表现稳健，适合工业现场。
  • GAM-1DCNN在实验室环境中可实现极致精度，但需更高算力支持。
五、未来研究方向
  1. 多模态融合：结合声发射、温度等多传感器数据提升诊断可靠性。
  2. 轻量化设计：探索注意力机制的量化与蒸馏技术，降低计算开销。
  3. 迁移学习：跨设备、跨工况的模型泛化能力优化。
  4. 实时诊断系统：嵌入FPGA或边缘计算设备，实现毫秒级响应。

通过上述改进，1DCNN及其注意力机制变体有望在工业4.0中成为滚动轴承故障诊断的核心技术。

📚2 运行结果

🎉3 参考文献 

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

🌈4 Python代码、数据、文章

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取

                                                           在这里插入图片描述

ssswww56
关注
CNN(一维卷积Conv1D)实现时间序列预测(PyTorch版)
优快云 精品推荐
01-14 8774
本专栏整理了《深度学习时间序列预测案例》，内包含了各种不同的基于深度学习模型的时间序列预测方法，例如LSTM、GRU、CNN（一维卷积、二维卷积）、LSTM-CNN、BiLSTM、Self-Attention、LSTM-Attention、Transformer等经典模型，包含项目原理以及源码，每一个项目实例都附带有完整的代码+数据集。
YOLOv8改进心得：如何在YOLOv8中使用GAM、CBAM、CA、ECA注意力机制进行优化（Python实现与深度解析）
qq_38334677的博客
10-02 1242
本文详细介绍了如何在YOLOv8中集成GAM、CBAM、CA和ECA四种主流注意力机制。通过详细的代码解析和集成步骤，您可以在YOLOv8模型中轻松应用这些注意力机制，从而提升模型的检测性能。注意力机制的引入，使得网络能够更加精准地捕捉图像中的关键信息，尤其在处理复杂背景和多物体场景时，表现出色。希望通过本文的讲解，您能够掌握这些先进的优化技术，并在华为OD机试或实际项目中取得更好的成绩。
Python轴承故障诊断 (一)短时傅里叶变换STFT
09-22 2066
本文基于凯斯西储大学（CWRU）轴承数据，进行短时傅里叶变换的介绍与参数选择，最后通过Python实现对故障数据的时频图像分类。
Pytorch的学习——CNN
qq_41100991的博客
11-28 1344
CNN 在pytorch中CNN（卷积神经网络）由 torch.nn中的Conv1d()、Conv2d()、Conv3d()三个函数进行数据的一维、二维、三维卷积操作。主要参数有in_channels, out_channels,kernel_size。 # in_channels：代表输入数据的个数 # 比如[[1,1],[2,2],[3,3],[4,4],[5,5]]这可以当作一维数据也可以当...
PyTorch-实现对表格类型数据的一维卷积（CNN1D）
qq_40529151的博客
07-11 2万+
pytorch-实现对表格数据类型的一维卷积
YOLOv10改进 | 注意力篇 | 一文带你改进GAM、CBAM、CA、ECA等通道注意力机制和多头注意力机制
Snu77的博客
07-14 1458
这篇文章给大家带来的改进机制是一个汇总篇，包含一些简单的注意力机制，本来一直不想发这些内容的（网上教程太多了，发出来增加文章数量也没什么意义），但是群内的读者很多都问我这些机制所以单独出一期视频来汇总一些比较简单的注意力机制添加的方法和使用教程，本文的内容不会过度的去解释原理，更多的是从从代码的使用上和实用的角度出发去写这篇教程。欢迎大家订阅我的专栏一起学习YOLO！YOLOv10改进系列专栏——本专栏持续复习各种顶会内容——科研必备目录一、本文介绍二、GAM2.1 GAM的介绍。
RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
Limiiiing的博客
12-03 7795
1️⃣本专栏已更新150多种不同的改进方法，所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新，最近更新时间：2024-12-4。项目介绍在大家购买专栏后，加入学习
YOLOv5改进系列（一）添加注意力机制SE、CBAM、ECA、CA
最新发布
m0_55908255的博客
02-13 1353
在没有降维的通道全局平均池化之后，ECA使用1D卷积来实现跨通道信息交互，而卷积核的大小 k 则通过函数来自适应计算，k 也可以理解为局部跨通道交互的覆盖范围，即有多少邻居参与了一个通道的注意力预测。激活函数形成空间注意力权重[batch_size，1，H，W]，和原来的输入[batch_size，channel，H，W]作哈达玛积。最后，将原始特征图的每个通道与对应的权重相乘，从而得到增强后的特征图。在这一阶段，网络从特征图中提取出每个通道的全局信息，得到一个描述每个通道重要性的特征向量。
YOLO-TLA:基于YOLOv5的高效轻量级小目标检测模型
sybh的博客
05-22 845
近年来，深度学习的快速发展使得计算机视觉的各 个方面都取得了重大突破，尤其是在目标检测方面。计 算机视觉的这一关键方面旨在识别和分类图像中的目标 (例如行人、动物、车辆)，作为目标跟踪和目标分割等任 务的基础元素[1]、[2]。其工业应用广泛，从缺陷检测到 自动驾驶[3]-[5]。此外，电子控制系统和飞机设计的演变 凸显了基于无人机(UAV)的目标检测的重要性，在农业、 灾难等领域已经越来越普遍管理，航空摄影。无人机要么无线电控制，要么在预先 编程的路线上操作。
加密流量分类torch实践1：1D-CNN模型训练与测试
qq_45125356的博客
09-20 3974
加密流量1D-CNN分类实践
pytorch中Conv1d、Conv2d与Conv3d详解
热门推荐
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
12-01 2万+
CNN是深度学习的重中之重，而conv1D，conv2D，和conv3D又是CNN的核心，所以理解conv的工作原理就变得尤为重要。
pytorch详细探索各种cnn卷积神经网络
CDBmax的博客
01-10 1423
PyTorch 的子模块提供了一系列功能强大的函数，用于实现卷积神经网络中的关键操作。这些函数涵盖从基本的卷积操作到高级数据变换技术，使其成为处理和分析图像、音频和视频数据的重要工具。这些函数的灵活性和多样性使其在深度学习领域中具有广泛的应用，如图像处理、音频分析、时间序列预测等。它们的高效实现和易用性进一步加强了 PyTorch 在科学研究和工业应用中的地位。
深度学习(15)--PyTorch构建卷积神经网络
GodFishhh的博客
02-07 2848
PyTorch构建卷积神经网络详细流程，graphviz + torchviz使PyTorch网络可视化
使用python中的1DCNN进行数据分类预测
晓林爱学习的博客
07-21 1822
在上述代码中，你需要根据你的数据形式和任务需求进行适当的修改。可以调整1D卷积层和全连接层的参数、添加更多的Conv1D层或其他类型的层，以及尝试不同的优化器和损失函数。这个示例可以帮助你开始使用1DCNN进行数据分类预测，你可以根据实际情况进行进一步的修改和优化。在Python中使用1D卷积神经网络（1DCNN）进行数据分类预测可以使用深度学习库例如TensorFlow和Keras来实现。
Pytorch系列:（五）CNN
weixin_43973207的博客
05-16 745
目录卷积Conv2dConv1d转置卷积池化函数nn.MaxPool2dnn.AvgPool2dnn.MaxUnpool2d 卷积 Conv2d 2D卷积函数和参数如下 nn.Conv2d( in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros' ) 参数说明
基于卷积神经网络（CNN）的滚动轴承故障诊断
m0_60804625的博客
09-28 1569
基于cnn的西储大学数据集故障诊断
基于一维卷积神经网络的滚动轴承故障识别
weixin_46148654的博客
01-25 8733
基于一维卷积神经网络的滚动轴承故障识别 提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录基于一维卷积神经网络的滚动轴承故障识别一、数据预处理二、模型搭建三、使用步骤1.引入库2.读入数据总结 一、数据预处理 采用美国凯斯西储大学(CWRU) 的开放轴承数据库的样本进行实验分析，轴承故障产生的实验台如下图所示。使用电火花加工技术分别在轴承的内圈、外圈和滚动体上引入单点缺陷，故障尺寸分别为 7、14和21 in，以48kHz采样频率采集不同负载下的故障轴承振动数据用于实验分析。
一维卷积神经网络轴承故障诊断python——目前二分类
abc1234abcdefg的博客
03-01 7596
1.简单介绍一维卷积 2.案例讲解python
基于1D-CNN的故障识别机器学习作业
资源摘要信息: "1D-CNN_1DCNN_机器学习_python_" 一维卷积神经网络（1D-CNN）是一种在时间序列数据上应用的深度学习模型，用于从序列数据中提取特征和模式。本课程作业涉及使用1D-CNN网络进行故障识别，这是一个...
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
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