在轴承故障诊断领域，Python 作为一种强大的编程语言，提供了丰富的库和框架，能够实现从数据预处理到模型构建、训练以及评估的完整流程。以下是一个基于卷积神经网络（CNN）和注意力机制（Attention）的轴承故障诊断分类实现思路，结合凯斯西储大学（CWRU）提供的轴承数据集。 ### 数据预处理 凯斯西储大学的轴承数据集包含多种故障类型，如内圈故障、外圈故障、滚动体故障等，以及正常运行状态的数据。数据以 `.mat` 文件形式存储，可以通过 `scipy.io` 模块加载。预处理步骤包括数据标准化、分割数据集为训练集和测试集，并将数据转换为适合模型输入的格式。 ```python import numpy as np import scipy.io as scio from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler # 加载数据 data = scio.loadmat('CWRU_data.mat') # 假设数据文件名为 CWRU_data.mat X = data['X'] # 特征数据 y = data['y'] # 标签数据 # 数据标准化 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # 分割训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42) ``` ### 模型构建 使用 PyTorch 构建一个结合卷积神经网络和注意力机制的模型。该模型能够自动提取振动信号中的关键特征，并通过注意力机制增强对关键特征的关注，从而提高分类精度。 ```python import torch import torch.nn as nn import torch.nn.functional as F class CNNAttentionModel(nn.Module): def __init__(self, input_dim, num_classes): super(CNNAttentionModel, self).__init__() self.conv1 = nn.Conv1d(1, 32, kernel_size=3, stride=1, padding=1) self.conv2 = nn.Conv1d(32, 64, kernel_size=3, stride=1, padding=1) self.pool = nn.MaxPool1d(2) self.attention = nn.Linear(64, 1) self.fc1 = nn.Linear(64, 128) self.fc2 = nn.Linear(128, num_classes) def forward(self, x): x = x.unsqueeze(1) # 添加通道维度 x = self.pool(F.relu(self.conv1(x))) x = self.pool(F.relu(self.conv2(x))) x = x.view(x.size(0), 64, -1) # 调整形状以便注意力机制使用 attention_weights = F.softmax(self.attention(x), dim=1) x = torch.sum(attention_weights * x, dim=1) x = F.relu(self.fc1(x)) x = self.fc2(x) return x model = CNNAttentionModel(input_dim=1024, num_classes=5) # 假设有5种故障类别 ``` ### 模型训练 使用交叉熵损失函数和 Adam 优化器进行训练。训练过程中，模型会不断调整参数以最小化损失函数，从而提高分类准确率。 ```python import torch.optim as optim # 将数据转换为 PyTorch 张量 train_dataset = torch.utils.data.TensorDataset(torch.tensor(X_train), torch.tensor(y_train)) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=32, shuffle=True) # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 训练模型 for epoch in range(10): # 训练轮数 for inputs, labels in train_loader: optimizer.zero_grad() outputs = model(inputs.float()) loss = criterion(outputs, labels.long()) loss.backward() optimizer.step() print(f'Epoch {epoch+1}, Loss: {loss.item()}') ``` ### 模型评估 使用测试集评估模型性能，计算准确率、混淆矩阵等指标。 ```python from sklearn.metrics import accuracy_score, confusion_matrix # 模型评估 model.eval() with torch.no_grad(): test_inputs = torch.tensor(X_test).float() test_outputs = model(test_inputs) predicted_labels = torch.argmax(test_outputs, dim=1).numpy() # 计算准确率 accuracy = accuracy_score(y_test, predicted_labels) print(f'Test Accuracy: {accuracy:.4f}') # 计算混淆矩阵 conf_matrix = confusion_matrix(y_test, predicted_labels) print('Confusion Matrix:') print(conf_matrix) ``` 上述代码提供了一个完整的基于 CNN 和 Attention 的轴承故障诊断分类实现流程，适用于凯斯西储大学的轴承数据集。可以根据具体需求调整网络结构、优化器参数、训练轮数等以获得更好的性能[^1]。