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
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
位置编码祛魅 | 详解Transformer中位置编码Positional Encoding-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
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
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
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
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
创新首发！从"样本极少"到"可用增强"：基于 CWT + Conditional DCGAN 的故障诊断模型
前言
在滚动轴承故障诊断研究中，传统深度学习方法大多将一维振动信号直接输入 CNN、LSTM 或 Transformer 等模型中进行分类。这类方法虽然实现简单，但往往只关注信号的局部波形变化或序列依赖关系，对于样本之间的关联结构挖掘不足。本期复现的是一类更具图学习特色的故障诊断方法：基于图卷积神经网络（Graph Convolutional Network, GCN）的滚动轴承故障诊断模型。
该方法不是简单地把每条信号作为独立样本输入网络，而是先将原始振动信号转换为频域特征 ，再将多个频域样本组织为图结构，通过 GCN 挖掘样本节点之间的关联关系，最终完成故障类别识别。（效果显著，可供学习参考！）
● 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：****本代码产品围绕论文方法进行了完整复现与工程化整理，包含数据预处理、FFT频域特征提取、图结构构建、GCN模型定义、训练测试流程、结果输出与关键复现细节说明，适合用于毕业设计、论文复现、课程项目和故障诊断入门研究。
1 模型简介
本代码复现的 GCN 模型主要由四个部分组成。
1.1 FFT 频域特征提取
原始振动信号通常具有强噪声、非平稳和冲击性特点。直接使用时域信号训练模型，可能难以充分体现故障频率和频带能量分布。因此，代码首先对每段振动样本进行 FFT 变换，将时域信号转换为频域特征。对于长度为 1024 的时域信号：
x = x1, x2, ..., x1024
经过 FFT 后得到 1024 维频域幅值谱，作为图节点的输入特征。
1.2 图节点构造
在本复现方案中：
-
一个频域样本 = 一个图节点
-
节点特征 = FFT频谱向量
-
节点标签 = 故障类别标签
也就是说，模型不是把一条信号直接输入分类器，而是将多个频域样本组织成图结构，让 GCN 在图中进行特征传播。
1.3 全连接图构建
论文方法采用全连接图结构。每个图中包含多个节点，节点之间两两相连。这样做的目的是让同一图中的节点可以充分交换特征信息，使模型能够学习样本之间的关联模式。
图结构可以表示为：
Node 1 ↔ Node 2
Node 1 ↔ Node 3
...
Node i ↔ Node j
边权默认采用 0-1 权重，即存在连接则边权为 1。
1.4 GCN 分类模型
模型主体采用两层图卷积层进行特征提取，然后接入两层全连接层完成分类，其参数如下：
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：
支持读取常见 CSV 格式数据：
每一行 = 1024个采样点 + 1个标签
适合已经整理好的 CWRU 十分类数据，也可以扩展到其他轴承故障数据集。
2.2 数据预处理
主要步骤如下：
（1）使用无重叠采样将原始振动信号划分为多段长度为1024的子样本；
（2）利用快速傅里叶变换将子样本振动信号转化为频域信号；
（3）将子样本频域信号作为节点，频谱作为节点特征，故障类型作为节点标签，然后将10个节点 构造为一个全连接图，即任意两个节点之间都有一条无向边连接，且边的权重采用0-1加权；
（4）将构造的全连接图数据集随机打乱后按照 6:4比例划分为训练集和测试集；
（5）搭建GCN模型，通过使用两个图卷积层提取节点特征，使用两个全连接层分类特征；
（6）使用训练集训练GCN模型，通过误差反向传播算法更GCN模型的可学习参数；
（7）训练完成后，将测试集输入到最终GCN中， 输出诊断果。
3 基于FFT-GCN的故障诊断模型
3.1 定义网络模型,设置参数，训练模型
50个epoch，准确率100%，用FFT-GCN网络分类效果显著，能够从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10分类混淆矩阵：
（3）分类标签可视化
（4）模型训练后的 t-SNE特征可视化：
4 代码、数据整理如下：
