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
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
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
速发论文 | 基于 2D-SWinTransformer+1D-CNN-SENet并行故障诊断模型-CSDN博客
Python轴承故障诊断 (21)基于VMD-CNN-BiTCN的创新诊断模型-CSDN博客
1DCNN-2DResNet并行故障诊断模型-CSDN博客
基于改进1D-VGG模型的轴承故障诊断和t-SNE可视化-CSDN博客
基于K-NN + GCN的轴承故障诊断模型-CSDN博客
故障诊断 | 创新模型更新：基于SSA-CNN-Transformer诊断模型-CSDN博客
独家首发 | 基于 2D-SwinTransformer + BiGRU-GlobalAttention的并行故障诊断模型-CSDN博客
位置编码祛魅 | 详解Transformer中位置编码Positional Encoding-CSDN博客
创新点 | 基于快速傅里叶卷积（FFC） 的故障诊断模型-CSDN博客
代码开源! | 变工况下的域对抗图卷积网络故障诊断-CSDN博客
超强 ！顶会创新融合！基于 2D-SWinTransformer 的并行分类网络-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
Transformer结构优势 ,How Much Attention Do You Need?-CSDN博客
故障诊断 | 一个小创新：特征提取+KAN分类-CSDN博客
故障诊断 | 信号降噪算法合集-CSDN博客
图卷积故障诊断，新增GAT、SGCN、GIN分类模型-CSDN博客
不能错过！故障诊断+时频图像分类大更新！-CSDN博客
智能故障诊断和寿命预测期刊推荐-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
创新首发！ | 基于1DCNN-Informer+MATT融合的故障诊断模型_论文复现基于 1dcnn bilstm 的航空发动机故障分类研究-CSDN博客
轴承故障特征—SHAP 模型 3D 可视化_shap值溯源模型-CSDN博客
时频图像/多模态+顶会论文创新，故障诊断发文不是梦！-CSDN博客
江南大学轴承故障诊断教程+1DVGG-6种注意力机制合集！-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
最强更新！西储大学（CWRU）轴承数据集保姆级教程！-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
故障诊断模型评估——混淆矩阵，如何使样本量一致（上）-CSDN博客
PHM2012 - 基于 Python 的轴承寿命预测模型
故障诊断模型评估——你了解混淆矩阵吗？（下）
多源信息融合+经典卷积网络故障诊断模型合集-CSDN博客
重大更新！基于WDCNN的故障诊断模型
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
特征提取+概率神经网络 PNN 的轴承信号故障诊断模型
前言
本文基于凯斯西储大学（CWRU）轴承数据，先经过数据预处理进行数据集的制作和加载，最后通过Pytorch实现VMD-WDCNN-SENet模型对故障数据的分类。凯斯西储大学轴承数据的详细介绍可以参考下文：
Python-凯斯西储大学（CWRU）轴承数据解读与分类处理
注意：本模型继续加入轴承故障诊断—创新模型全家桶中，之前购买的同学请及时更新下载!（性价比极高）
1 模型简介与创新点介绍
1.1 模型简介
● 数据集：CWRU西储大学轴承数据集
● 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。
全网最低价，创新网络分类效果显著，模型能够充分提取轴承故障信号的空间和时序特征和频域特征，收敛速度快，性能优越, 精度高。创新度也有！！！高性价比、高质量代码，大家可以了解一下：（所有全家桶模型会不断加入新的模型进行更新！后续会逐渐提高价格，越早购买性价比越高！！！）
1.2 创新点介绍
基于VMD+WDCNN-SENet的轴承故障诊断创新模型：
1.创新点：
（1） 利用VMD将原始信号分解为多个模态分量，来提取信号的频域特征和时域特征，提高信号的可分性，为后续的特征提取和分类提供更清晰的信号输入；
（2） 引入 WDCNN 结构实现宽卷积特征提取，提高特征的全局表达能力：WDCNN 通过在首层使用大卷积核（如 kernel=64, stride=16）提取长时间窗特征，从而获得全局性的时间结构模式。后续层使用小卷积核，提取局部变化特征。
（3）融合 SENet 通道注意力机制，实现特征选择的自适应增强。在每个卷积模块后嵌入SENet（Squeeze-and-Excitation Network）模块，计算每个通道的全局平均响应（Squeeze）并自适应学习通道权重（Excitation）。SENet 自动增强高贡献通道、抑制冗余通道；聚焦最能代表故障特征的频段与模式。
2. 原理流程：
首先，使用 VMD 对原始轴承信号进行分解，得到多个模态分量；每个模态分量作为输入，经过WDCNN-SENet 网络进行特征提取；在该网络中，WDCNN通过首层宽卷积核对信号的长时间依赖特征进行捕捉，实现全局时域模式的提取；而在后续多层窄卷积与池化操作中，网络进一步挖掘局部细节特征，从而兼顾了全局与局部的特征表达能力。SENet 通过“全局平均池化—通道重标定”的方式，自适应学习每个通道的重要性权重，从而强化与故障相关的特征通道、抑制冗余或噪声通道，实现对关键信息的精准聚焦。在完成所有 IMF 模态分量的特征提取后，模型将各模态的深层特征向量进行特征融合（Feature Fusion），构建包含多频带、多尺度信息的综合特征表示。最后，这些融合特征被输入至Softmax 分类器，实现对轴承不同故障类型的自动识别与分类。
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：
train_set、val_set、test_set 均为按照7：2：1划分训练集、验证集、测试集，最后保存数据
2.2 故障VMD分解可视化
2.3 故障数据的VMD分解预处理
3 基于VMD+WDCNN-SENet的创新诊断模型
3.1 定义VMD+WDCNN-SENet网络模型
3.2 设置参数，训练模型
50个epoch，准确率100%，VMD+WDCNN-SENet网络分类效果显著，WDCNN-SENet模型能够充分提取轴承故障信号的多尺度特征，收敛速度快，性能特别优越，效果明显。
3.3 模型评估
（1）准确率、精确率、召回率、F1 Score
（2）故障十分类混淆矩阵：
（3）分类标签可视化
（4）原始数据 t-SNE特征可视化
（5）模型训练后的 t-SNE特征可视化：
4 代码、数据整理如下：
点击下方卡片获取代码！
