缺点诊断论文实验怎样设计 对比 消融 泛化实验保姆级教程

​前言

本文基于凯斯西储大学（CWRU）轴承数据和西北大学轴承数据，启动极速傅里叶变换（FFT）和变分模态合成VMD的数据预解决，最后经过Python成功基于2D-SWinTransformer + 1D-CNN-SENet并行的特色融合模型对缺点数据的分类。

1模型泛化实验--西储大学数据集

1.1设置参数，训练模型

1.2 模型评价

准确率、准确率、召回率、F1 Score

缺点十分类混杂矩阵：

其余可视化图：

（1）分类标签可视化

（2）原始数据 t-SNE特色可视化

（3）模型训练后的 t-SNE特色可视化：

（4）模型训练环节可视化：

2模型泛化实验--西北大学轴承数据集

2.1设置参数，训练模型

2.2 模型评价

准确率、准确率、召回率、F1 Score

缺点五分类混杂矩阵：

其余可视化图：

（1）分类标签可视化

（2）原始数据 t-SNE特色可视化

（3）模型训练后的 t-SNE特色可视化：

3模型对比实验--西北大学轴承数据集

与惯例深度学习模型启动对比

对比实验结果如表所示，在西北大学轴承数据集上CNN类卷积网络要好于用于时序义务上的LSTM、TCN等模型；Transformer因其结构的长处和留意力机制体现出良好的性能；对比常常出现的深度学习模型，咱们所推出的翻新模型效果最好！

基于窗口留意力机制的 SwinTransformer联合通道留意力优化的1DCNN网络能够更好地融合不同档次的特色示意，使得模型更关器关键的特色，提高模型性能和泛化才干。

4模型消融实验--西北大学轴承数据集

模型自身模块的消融实验

并不是一切的模型都"敢"做消融实验，咱们提出的翻新模型经受住了消融实验的测验，可以看出不同模块关于实验结果的优化，有着显著的作用！

总结：

咱们发明性的提出一种 VMD-FFT预解决，2D-SwinTransformer+ 1DCNN-SENet的并行诊断模型，在多个数据集上体现优越，有着良好的泛化性能！经过对比实验、消融实验等少量的对比验证上班，能够标明咱们所提模型在轴承缺点诊断义务上效果显著！翻新度高!

本文转载自​​，作者：​​