往期精彩内容：
Python-凯斯西储大学（CWRU）轴承数据解读与分类处理
基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型-CSDN博客
基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客
Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类-CSDN博客
Python轴承故障诊断 (13)基于故障信号特征提取的超强机器学习识别模型-CSDN博客
Python轴承故障诊断 (14)高创新故障识别模型-CSDN博客
Python轴承故障诊断 (15)基于CNN-Transformer的一维故障信号识别模型-CSDN博客
Python轴承故障诊断 (16)高创新故障识别模型（二）-CSDN博客
轴承故障全家桶更新 | 基于时频图像的分类算法-CSDN博客
Python轴承故障诊断 (17)基于TCN-CNN并行的一维故障信号识别模型-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 (18)基于CNN-TCN-Attention的创新诊断模型-CSDN博客
轴承故障全家桶更新 | 基于VGG16的时频图像分类算法-CSDN博客
轴承故障全家桶更新 | CNN、LSTM、Transformer、TCN、串行、并行模型、时频图像、EMD分解等集合都在这里-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
基于改进1D-VGG模型的轴承故障诊断和t-SNE可视化-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
前言
本文基于凯斯西储大学（CWRU）轴承数据，使用特征提取 和KAN模型进行故障识，并通过CNN-SENet、MLP以及传统机器学习模型SVM进行对比分析。特征提取、KAN模型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_凯斯西储大学轴承数据集-CSDN博客
独家首发 | 基于 KAN、KAN卷积的轴承故障诊断模型-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
对比结果分析：
从对比实验可以看出, 在轴承故障诊断任务中：
故障信号经过特征提取后，KAN的准确率要优于CNN-SENet、 MLP以及传统机器学习模型SVM！
代码数据如下：
上述模型已经在如下两个代码合集里面更新，请购买过同学及时更新下载：
（1）KAN、KAN卷积，KAN、KAN卷积结合注意力机制
链接：
独家首发 | 基于 KAN、KAN卷积的轴承故障诊断模型-CSDN博客
（2）特征提取+机器学习模型、SHAP 模型可视化和参数搜索
链接：
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
1 数据集和特征提取
1.1 数据集导入
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：
数据的读取形式以及预处理思路
1.2 故障信号特征提取
选择峭度、熵值、分形值、波形指标、频谱指标、频域指标、 统计特征、振动特征等13种指标来捕捉轴承信号的多尺度特征，作为机器学习模型的训练与识别。
2 基于 KAN 的故障诊断模型
2.1 定义KAN 模型
2.2 参数设置，模型训练
3 模型评估和可视化
3.1 模型分数、准确率、精确率、召回率、F1 Score
3.2 故障十分类混淆矩阵
3.3 t-SNE 特征可视化
（1）原始数据 t-SNE特征可视化
（2）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！
