视觉顶会论文 | 基于Swin Transformer的轴承故障诊断
往期精彩内容：
Python-凯斯西储大学（CWRU）轴承数据解读与分类处理
Pytorch-LSTM轴承故障一维信号分类(一)-CSDN博客
Pytorch-CNN轴承故障一维信号分类(二)-CSDN博客
Pytorch-Transformer轴承故障一维信号分类(三)-CSDN博客
三十多个开源数据集 | 故障诊断再也不用担心数据集了！
Python轴承故障诊断 (一)短时傅里叶变换STFT-CSDN博客
Python轴承故障诊断 (二)连续小波变换CWT-CSDN博客
Python轴承故障诊断 (三)经验模态分解EMD-CSDN博客
Python轴承故障诊断 (四)基于EMD-CNN的故障分类-CSDN博客
Python轴承故障诊断 (五)基于EMD-LSTM的故障分类-CSDN博客
Python轴承故障诊断 (六)基于EMD-Transformer的故障分类-CSDN博客
Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类-CSDN博客
Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类-CSDN博客
Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类-CSDN博客
Python轴承故障诊断 (十)基于VMD+CNN-Transfromer的故障分类-CSDN博客
基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型-CSDN博客
基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客
Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类-CSDN博客
交叉注意力融合时域、频域特征的FFT + CNN -BiLSTM-CrossAttention轴承故障识别模型-CSDN博客
交叉注意力融合时域、频域特征的FFT + CNN-Transformer-CrossAttention轴承故障识别模型-CSDN博客
轴承故障诊断 (12)基于交叉注意力特征融合的VMD+CNN-BiLSTM-CrossAttention故障识别模型_基于残差混合域注意力cnn的轴承故障诊断及其时频域可解释性-CSDN博客
Python轴承故障诊断 (13)基于故障信号特征提取的超强机器学习识别模型-CSDN博客
Python轴承故障诊断 (14)高创新故障识别模型-CSDN博客
Python轴承故障诊断 (15)基于CNN-Transformer的一维故障信号识别模型-CSDN博客
Python轴承故障诊断 (16)高创新故障识别模型（二）-CSDN博客
轴承故障全家桶更新 | 基于时频图像的分类算法-CSDN博客
Python轴承故障诊断 (17)基于TCN-CNN并行的一维故障信号识别模型-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 (18)基于CNN-TCN-Attention的创新诊断模型-CSDN博客
注意力魔改 | 超强轴承故障诊断模型！-CSDN博客
轴承故障全家桶更新 | 基于VGG16的时频图像分类算法-CSDN博客
轴承故障全家桶更新 | CNN、LSTM、Transformer、TCN、串行、并行模型、时频图像、EMD分解等集合都在这里-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
基于格拉姆矩阵GADF+Swin Transformer窗口注意力和CNN-GAM全局注意力的轴承故障诊断模型!
● 数据集：经测试，模型在CWRU西储大学轴承数据集 和 哈工大航天发动机轴承数据集上表现分类准确率 均为100%！
● 环境框架：python 3.9 pytorch 1.8 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。
模型简介
模型创新点还未发表，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！
代码配有
（1）训练可视化：
（2）原始数据 t-SNE特征可视化：
（3）模型训练后的 t-SNE特征可视化：
（4）混淆矩阵：
（5）分类标签可视化
创新点：
（1）通过格拉姆矩阵GADF把一维时序故障信号转化为二维图像；
（2）分支一：图像数据通过顶会模型 Swin Transformer 的窗口注意力机制提取故障图像局部特征；
（3）分支二：同时故障图数据像通过基于全局注意力机制 GAM-Attention 的 CNN2d 卷积池化网络；
（4）然后两个分支提取的全局空间特征和局部特征通过融合后进行自适应平均池化，使模型能够更好地融合不同层次的特征表示，提高模型性能和泛化能力。
（独家原创）
注意：此次产品，我们还有配套的模型讲解（方便学习网络结构）和参数调节讲解，进行详细的解释！
我们还提供关于一维时序信号的 格拉姆矩阵GAF、连续小波变换CWT、短时傅里叶变换STFT等相关时频图像的分类处理方法，提供更改数据集接口，可一键替换信号数据和不同图像的变换处理，来进行此创新模型的实验验证！
一维故障信号数据
2.1 导入数据
格拉姆矩阵GAF变换二维图像数据
电能质量扰动信号GAF变换二维图像数据
连续小波变换CWT时频图数据
短时傅里叶变换STFT时频图数据
基于GADF+Swin-CNN-GAM分类网络模型
设置参数，训练模型
50个epoch，准确率近100%，用GADF+Swin-CNN-GAM网络分类效果显著，创新模型能够充分提取轴承故障信号的全局空间和局部特征，收敛速度快，性能优越，精度高，效果明显!
模型评估
准确率、精确率、召回率、F1 Score
故障十分类混淆矩阵：
3 代码、数据整理如下：
附加提供不同小波基函数 、不同中心频率、不同带宽时频图对比
