BiGRU-CCT图像化轴承故障诊断【附代码】

✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导，毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码
✅如需沟通交流，查看文章底部二维码

（1）格拉姆角场、马尔可夫转移场和递归图的三通道图像编码：

针对一维振动信号维度限制问题，提出将信号同时转换为三种二维图像表示。格拉姆角场通过将缩放后的数据点映射到极坐标系，计算角度余弦和，保留了时间相关性；马尔可夫转移场通过量化数据分为分位数箱，统计状态转移概率，捕捉了动态变化模式；递归图则通过计算每个点与其他点的距离阈值，揭示了信号的递归特性。将三幅图像叠加为三通道RGB图像，输入紧凑型卷积Transformer模型。多视角图像化方法使得故障特征在图像域中更加显著，实验表明在CWRU数据集上分类准确率比单一图像编码提高了3.2%。

（2）双向门控循环单元与紧凑型卷积Transformer并行特征融合：

所提模型采用双分支并行结构。分支一直接以原始一维时序信号为输入，送入双向门控循环单元提取时序依赖特征，该网络能够从前向后和后向前两个方向捕捉上下文信息。分支二以三通道图像为输入，进入紧凑型卷积Transformer：首先通过卷积层提取局部图像特征，然后使用序列化Transformer编码器捕获全局依赖，其中卷积嵌入替代了传统的线性投影，降低了计算量。最后将两个分支的输出特征向量拼接，送入多头自注意力层进行深度融合，再经分类层输出故障类型。该模型不仅参数量比纯视觉Transformer减少约40%，而且在多组变工况测试中达到99.3%的准确率。

（3）参数优化与对比实验分析：

通过网格搜索和贝叶斯优化对模型超参数（卷积核大小、GRU隐藏单元数、学习率、注意力头数）进行系统调优。采用五折交叉验证评估性能，并设计消融实验：分别移除格拉姆角场通道、马尔可夫转移场通道、递归图通道，验证多通道图像的必要性；分别移除双向门控循环单元分支和紧凑型卷积Transformer分支，验证并行结构的好处。实验结果表明，完整模型在凯斯西储大学和东南大学轴承数据集上的平均准确率分别为99.8%和99.2%，较单分支模型提升约1.5%，表明了多模态融合的有效性。

import torch import torch.nn as nn import numpy as np from pyts.image import GramianAngularField, MarkovTransitionField, RecurrencePlot # 三通道图像编码 def to_3channel_image(signal, size=64): # 重采样到统一长度 from scipy.signal import resample signal_resampled = resample(signal, size) # GAF gaf = GramianAngularField(image_size=size, method='summation') img_gaf = gaf.fit_transform(signal_resampled.reshape(1, -1))[0] # MTF mtf = MarkovTransitionField(image_size=size, n_bins=8) img_mtf = mtf.fit_transform(signal_resampled.reshape(1, -1))[0] # RP rp = RecurrencePlot(dimensions=1, epsilon='percentage_point', percentage=10, threshold_type='distance') img_rp = rp.fit_transform(signal_resampled.reshape(1, -1))[0] # 归一化到0-255并堆叠 img_gaf = ((img_gaf - img_gaf.min()) / (img_gaf.max() - img_gaf.min()) * 255).astype(np.uint8) img_mtf = ((img_mtf - img_mtf.min()) / (img_mtf.max() - img_mtf.min()) * 255).astype(np.uint8) img_rp = ((img_rp - img_rp.min()) / (img_rp.max() - img_rp.min()) * 255).astype(np.uint8) img_3ch = np.stack([img_gaf, img_mtf, img_rp], axis=0) # (3, H, W) return torch.tensor(img_3ch, dtype=torch.float32) / 255.0 # 紧凑型卷积Transformer块 class CompactConvTransformer(nn.Module): def __init__(self, image_size=64, patch_size=4, in_channels=3, embed_dim=128, num_heads=8): super().__init__() self.patch_embed = nn.Conv2d(in_channels, embed_dim, kernel_size=patch_size, stride=patch_size) num_patches = (image_size // patch_size) ** 2 self.pos_embed = nn.Parameter(torch.randn(1, num_patches, embed_dim)) encoder_layer = nn.TransformerEncoderLayer(embed_dim, num_heads, batch_first=True) self.transformer = nn.TransformerEncoder(encoder_layer, 4) def forward(self, x): B = x.size(0) x = self.patch_embed(x).flatten(2).transpose(1,2) # (B, num_patches, embed_dim) x = x + self.pos_embed return self.transformer(x).mean(dim=1) # 并行BiGRU + CCT融合模型 class BiGRU_CCT_Fusion(nn.Module): def __init__(self, input_seq_len=1024, input_feat_dim=1, hidden_dim=64, num_classes=10): super().__init__() self.bigru = nn.GRU(input_feat_dim, hidden_dim, batch_first=True, bidirectional=True) self.cct = CompactConvTransformer() self.fusion_attn = nn.MultiheadAttention(embed_dim=hidden_dim*2 + 128, num_heads=8, batch_first=True) self.fc = nn.Linear(hidden_dim*2 + 128, num_classes) def forward(self, x_seq, x_img): # x_seq: (batch, seq_len, 1) out_seq, _ = self.bigru(x_seq) feat_seq = out_seq[:, -1, :] # (batch, hidden*2) feat_img = self.cct(x_img) # (batch, 128) combined = torch.cat([feat_seq, feat_img], dim=1).unsqueeze(1) # (batch,1, D) attn_out, _ = self.fusion_attn(combined, combined, combined) feat_fused = attn_out.squeeze(1) return self.fc(feat_fused) # 参数优化（贝叶斯优化示例） from skopt import BayesSearchCV from sklearn.model_selection import cross_val_score def optimize_hyperparams(X, y): def evaluate(params): # params: {'bigru_hidden': xx, 'cct_embed': xx} # 训练模型评估 return -np.mean(cross_val_score(model, X, y, cv=3, scoring='accuracy')) from skopt import gp_minimize res = gp_minimize(evaluate, [ (32,128), (64,256) ], n_calls=30) return res.x ",

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇