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
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
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
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
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。
注意：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！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！！
创新点：
基于 2D-SwinTransformer + BiGRU-GlobalAttention 的高创新模型
创新度高，效果明显！！
1.预处理部分：
结合快速傅里叶变换FFT和变分模态分解VMD来进行信号的时频、域特征提取，能够挖掘故障信号中的多尺度特征；（独家原创）
2.我们创造性的提出把一维故障信号不转为二维图片（对数据进行堆叠）进行基于顶会模型 SWinTransformer 的2D卷积学习，利用其窗口注意力机制提取故障信号的局部特征；（独家原创）
3. 提出一种基于GlobalAttention优化的BiGRU网络模型来提取故障信号预处理后的多尺度特征的全局时域特征；（独家原创）
4.通过并行模型融合两个分支提取的局部特征和全局时域特征，从而提高特征的表示能力来实现故障信号的识别，取得了极佳的效果！
前言
本文基于凯斯西储大学（CWRU）轴承数据，进行快速傅里叶变换（FFT）和变分模态分解VMD的数据预处理，最后通过Python实现基于2D-SWinTransformer + BiGRU-GlobalAttention并行的特征融合模型对故障数据的分类。
1 轴承故障数据的预处理
1.1 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
1.2 故障FFT变换可视化
1.3 故障VMD分解可视化
1.4 故障数据的特征预处理数据集制作
2 基于2D-SwinTransformer + BiGRU-GlobalAttention的轴承故障诊断分类
2.1 设置参数，训练模型
2.2 模型评估
准确率、精确率、召回率、F1 Score
故障十分类混淆矩阵：
其他可视化图：
（1）分类标签可视化
（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：
模型分类效果显著，50个epoch，准确率100%，快速傅里叶变换（FFT）和变分模态分解（VMD）可以有效地挖掘信号中的多尺度特征，2D-SwinTransformer + BiGRU-GlobalAttention创新模型能够充分提取轴承故障信号的空间和时序特征，收敛速度快，性能优越，精度高，能够从故障信号频域、时域特征中属于提取出对模型识别重要的特征，效果明显，创新度高!
3 代码、数据整理如下：
