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
高创新！基于FFT+WDCNN-Transformer时频域融合的轴承故障诊断模型
前言
轴承作为机械设备中的关键部件，其故障诊断对保障设备可靠运行和防止重大事故具有重要意义。针对传统故障诊断方法难以应对轴承振动信号的非平稳性、多尺度性及高噪声特征，本文提出了一种基于变分模态分解（Variational Mode Decomposition，VMD）滚动分解与快速傅里叶变换（FFT）预处理相结合的注意力机制优化的新型故障诊断框架。
● 数据集：CWRU西储大学轴承数据集
● 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100%
● 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。
注意：我们还有配套的模型讲解（方便学习网络结构）和**讲解视频******！有毕业设计或者发小论文需求的同学必看，模块丰富，创新度高，性能优越！！
1 创新模型简介
1.1 模型流程
首先，采用VMD滚动分解技术将原始轴承振动信号分解为若干本征模态函数，消除噪声与混叠影响；然后同时通过FFT转换提取频域特征，丰富信号的时频信息。针对预处理后的特征，设计了WDCNN-SENet与基于GlobalAttention优化的BiGRU的并行融合结构，其中WDCNN-SENet网络强化特征提取的通道注意力和空间代表能力，BiGRU-Attention模块结合双向GRU和全局注意力机制提升序列依赖建模能力。
1.2 模型细节与创新点
（1）多尺度特征提取
预处理部分：结合快速傅里叶变换FFT和变分模态分解VMD来进行信号的时频、域特征提取，能够挖掘故障信号中的多尺度特征；
（2）WDCNN-SENet模块
宽卷积神经网络（WDCNN）采用多种尺度卷积核加深网络层数，能够捕获信号不同分辨率的特征。结合SENet机制，利用通道注意力自适应调整特征图权重，聚焦关键通道特征，减少无关和冗余信息对分类的影响，提升特征的表达能力和判别力。该模块主要负责提取基于FFT处理的频域特征，优化信号空间表征。
（3）基于GlobalAttention优化的BiGRU模块
采用双向门控循环单元（BiGRU）网络建模振动信号的时序依赖，结合GlobalAttention全局注意力机制，使网络在序列的多个时间步长都能有效权衡，突出对关键时间段特征的响应，提升时序特征捕获精度。该模块主要针对VMD分解和FFT变换后的时域序列，强化长期和短期故障信息的表达。
（4）并行融合结构设计
将WDCNN-SENet和BiGRU-Attention两条子网络并行输入各自处理后的特征，经过特征融合层整合成综合故障特征表示，进一步通过全连接层和Softmax分类，实现对轴承故障类别的精准识别。并行融合保证了模型兼顾时域、频域的丰富信息，提升模型对复杂故障状态的判别能力。
创新模型代码结构
2 轴承数据加载与预处理
2.1 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
2.2 故障FFT变换可视化
2.3 故障VMD分解可视化
2.4 故障数据的特征预处理数据集制作
3 基于WDCNN-SENet+BiGRU-GATT的故障诊断模型
3.1 定义网络模型,设置参数，训练模型
-
使用VMD滚动分解细化时频特征提取，降低噪声影响；
-
结合FFT扩展频域特征信息，丰富信号表达维度；
-
融合WDCNN与SENet提升空间特征提取及通道注意力机制；
-
基于GlobalAttention的BiGRU模块增强时序依赖与关键特征聚焦；
-
新颖的子网络并行融合架构，综合利用时频域优势进行故障分类。
3.2 模型评估
（1）准确率、精确率、召回率、F1 Score
（2）故障10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 代码、数据整理如下：
点击下方卡片获取代码！