故障診斷論文實驗怎么設(shè)計？對比、消融、泛化實驗保姆級教程
?前言
本文基于凱斯西儲大學(xué)（CWRU）軸承數(shù)據(jù)和東南大學(xué)軸承數(shù)據(jù)，進(jìn)行快速傅里葉變換（FFT）和變分模態(tài)分解VMD的數(shù)據(jù)預(yù)處理，最后通過Python實現(xiàn)基于2D-SWinTransformer + 1D-CNN-SENet并行的特征融合模型對故障數(shù)據(jù)的分類。
1 模型泛化實驗--西儲大學(xué)數(shù)據(jù)集
1.1 設(shè)置參數(shù)，訓(xùn)練模型
1.2 模型評估
準(zhǔn)確率、精確率、召回率、F1 Score
故障十分類混淆矩陣：
其他可視化圖：
（1）分類標(biāo)簽可視化
（2）原始數(shù)據(jù) t-SNE特征可視化
（3）模型訓(xùn)練后的 t-SNE特征可視化：
（4）模型訓(xùn)練過程可視化：
2 模型泛化實驗--東南大學(xué)軸承數(shù)據(jù)集
2.1 設(shè)置參數(shù)，訓(xùn)練模型
2.2 模型評估
準(zhǔn)確率、精確率、召回率、F1 Score
故障五分類混淆矩陣：
其他可視化圖：
（1）分類標(biāo)簽可視化
（2）原始數(shù)據(jù) t-SNE特征可視化
（3）模型訓(xùn)練后的 t-SNE特征可視化：
3 模型對比實驗--東南大學(xué)軸承數(shù)據(jù)集
與常規(guī)深度學(xué)習(xí)模型進(jìn)行對比
對比實驗結(jié)果如表所示，在東南大學(xué)軸承數(shù)據(jù)集上CNN類卷積網(wǎng)絡(luò)要好于用于時序任務(wù)上的LSTM、TCN等模型；Transformer因其結(jié)構(gòu)的優(yōu)勢和注意力機(jī)制表現(xiàn)出良好的性能；對比常見的深度學(xué)習(xí)模型，我們所推出的創(chuàng)新模型效果最好！
基于窗口注意力機(jī)制的 SwinTransformer結(jié)合通道注意力優(yōu)化的1DCNN網(wǎng)絡(luò)能夠更好地融合不同層次的特征表示，使得模型更關(guān)注重要的特征，提高模型性能和泛化能力。
4 模型消融實驗--東南大學(xué)軸承數(shù)據(jù)集
模型自身模塊的消融實驗
并不是所有的模型都"敢"做消融實驗，我們提出的創(chuàng)新模型經(jīng)受住了消融實驗的檢驗，可以看出不同模塊對于實驗結(jié)果的提升，有著明顯的作用！
總結(jié)：
我們創(chuàng)造性的提出一種 VMD-FFT預(yù)處理，2D-SwinTransformer+ 1DCNN-SENet的并行診斷模型，在多個數(shù)據(jù)集上表現(xiàn)優(yōu)越，有著良好的泛化性能！通過對比試驗、消融實驗等大量的對比驗證工作，能夠表明我們所提模型在軸承故障診斷任務(wù)上效果明顯！創(chuàng)新度高!
