English

TransCNN-CWRU: 精度100%的基于CNN和Transformer的轴承故障分类模型

项目简介

本项目实现了一个结合卷积神经网络（CNN）和Transformer的深度学习模型，在凯斯西储大学（CWRU）轴承故障数据集上分类。验证与测试精度达到100%

数据集

• 数据来源: CWRU轴承故障数据集。
• 数据格式: CSV文件，每列为不同类别的振动信号。
• 预处理:
  • 每个信号被分割为长度为1024的样本块。
  • 每个样本块被标注为对应的故障类别。

模型架构

该模型结合卷积神经网络（CNN）和Transformer架构，首先通过两层一维卷积层提取信号的局部特征，并通过最大池化层进行下采样；随后利用Transformer模块中的多头自注意力机制和前馈网络捕获全局特征；最后通过全局平均池化和全连接层完成分类，输出10个故障类别的概率分布。

结果与可视化

交叉验证结果

• 平均验证精度：99.8%。
• 标准偏差：±0.2%。
• 训练和验证的准确率与损失曲线可视化。

测试集结果

• 测试集精度：99.9%。

使用

首先安装依赖

pip install -r requirements.txt

项目后端基于 FastAPI，支持信号模拟发送，双击 run.bat 即可启动服务

参考

• 凯斯西储大学（CWRU）轴承故障数据集: Case Western Reserve University Bearing Data Center