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
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
故障诊断 | 一个小创新：特征提取+KAN分类-CSDN博客
图卷积故障诊断，新增GAT、SGCN、GIN分类模型-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
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
前言
多源信息融合的滚动轴承故障诊断是一种结合来自多个传感器或信号源的信息，以提高故障检测和诊断准确性的方法。在滚动轴承故障诊断领域，多源信息融合已被广泛应用以提升诊断的准确性和鲁棒性。相较于传统的数据层融合和特征层融合，本期提出了一种基于特征信号VMD分解与CNN-Transformer融合的故障诊断模型，进一步挖掘信号的时频特征并提升时序依赖建模能力。
在前两期期推出的多源信息融合+故障诊断模型合集基础上：
（1）经典卷积网络故障诊断模型合集
（2）数据层融合+特征层融合的故障诊断模型！
本期继续更新：基于特征信号 VMD 分解+CNN-Transformer的故障诊断模型。
（适合多传感器、多特征列的信号分类任务）
● 数据集：东南大学轴承故障数据集
● 环境框架：python 3.9 pytorch 2.1 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。
1 模型流程简介
1.1 多源特征信号VMD分解
针对多源故障振动信号，首先应用变分模态分解（Variational Mode Decomposition, VMD）对原始特征信号进行多模态分解，将复杂信号分解为若干本征模态函数（IMFs），有效捕获信号的局部时频特征。同时，VMD具有较好的噪声抑制能力，为后续的特征提取提供更纯净且更具判别性的输入。
1.2 CNN-Transformer融合特征提取
在VMD分解得到的多模态信号基础上，设计了融合卷积神经网络（CNN）和Transformer的深度学习架构：
-
CNN模块利用1D卷积捕捉时间序列信号的局部时域特征，自动提取信号的多层次表征。
-
Transformer模块基于自注意力机制，能够捕获信号的长距离依赖关系与全局时序动态，弥补CNN对全局信息建模的不足。
-
最后，将CNN和Transformer提取的多尺度时频特征进行融合，输入全连接层完成故障类别判别。
2 多源轴承故障数据的预处理
2.1 导入数据
东南大学数据集主要分为轴承数据集和齿轮箱数据集，每个故障类型均对应这个两种工况（转速20Hz（1200rpm）-负载0V(0Nm) 和转速30Hz(1800rpm)-负载2V(7.32Nm)）分别对应着gearset和bearingset文件夹。轴承数据集（5种类型）：
-
滚珠故障（Ball fault）
-
内圈故障（Inner ring fault）
-
外圈故障（Outer ring fault）
-
复合故障（Combination fault on both inner ring and outer ring）
-
正常运行（Health woring state）
我们以5分类轴承数据集进行预处理讲解，数据集为8通道！
2.2 VMD分解与预处理
分解可视化：
由于数据量过大，以一部分数据和四通道为例，通过滑动窗口制作数据集，并按照7：2：1均匀划分训练集、验证集、测试集，最后保存数据，划分完成的数据集分布情况如下：
3 基于CNN-Transformer特征融合的故障诊断模型
3.1 设置参数，训练模型
50个epoch，准确率100%，用 VMD+CNN-Transformer特征融合 网络分类效果显著，能够从多源故障信号特征中提取出对模型识别重要的特征，效果明显!
3.2 模型评估
（1）准确率、精确率、召回率、F1 Score
（2）故障5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 更新下载
点击下方卡片获取代码！