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
Pytorch-LSTM轴承故障一维信号分类(一)-CSDN博客
Pytorch-CNN轴承故障一维信号分类(二)-CSDN博客
Pytorch-Transformer轴承故障一维信号分类(三)-CSDN博客
三十多个开源数据集 | 故障诊断再也不用担心数据集了！
Python轴承故障诊断 (一)短时傅里叶变换STFT-CSDN博客
Python轴承故障诊断 (二)连续小波变换CWT-CSDN博客
Python轴承故障诊断 (三)经验模态分解EMD-CSDN博客
Python轴承故障诊断 (四)基于EMD-CNN的故障分类-CSDN博客
Python轴承故障诊断 (五)基于EMD-LSTM的故障分类-CSDN博客
Python轴承故障诊断 (六)基于EMD-Transformer的故障分类-CSDN博客
Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类-CSDN博客
Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类-CSDN博客
Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类-CSDN博客
Python轴承故障诊断 (十)基于VMD+CNN-Transfromer的故障分类-CSDN博客
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
交叉注意力融合时域、频域特征的FFT + CNN -BiLSTM-CrossAttention轴承故障识别模型-CSDN博客
交叉注意力融合时域、频域特征的FFT + CNN-Transformer-CrossAttention轴承故障识别模型-CSDN博客
轴承故障诊断 (12)基于交叉注意力特征融合的VMD+CNN-BiLSTM-CrossAttention故障识别模型_基于残差混合域注意力cnn的轴承故障诊断及其时频域可解释性-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
模型简介：
为满足高水平论文服务和毕业论文的需求，我们推出一种基于视觉顶会论文 SWinTransformer 的改进模型，并提供 CWRU西储大学轴承数据集和东南大学轴承数据集上的实验，以及相关对比实验、模型消融实验，通过实验证明，我们的模型具有超强的分类能力和泛化能力！创新度高、实验丰富、工作量大，足够支撑一篇高水平期刊论文和毕业论文！
● 数据集：CWRU西储大学轴承数据集， 东南大学轴承数据集
● 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%（CWRU）、测试集99%（东南大学）
● 提供实验：对比试验、消融实验、泛化实验
● 使用对象：论文需求、毕业设计需求者（该创新模型还未发表）
● 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！！
基于 2D-SWinTransformer + 1D-CNN-SENet 的高创新模型
创新点：
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；
2.我们创造性的提出把一维故障信号不转为二维图片（转为图片复杂化了）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；
3. 多尺度特征同时通过基于通道注意力机制优化的 1DCNN 卷积池化网络, 使模型能够自动学习到不同通道的重要性, 加强对信号全局特征的学习；
4.最后两个分支提取的局部特征和全局空间特征，分别通过自适应平均池化后进行融合，使模型能够更好地融合不同层次的特征表示，提高模型性能和泛化能力。
前言
本文基于凯斯西储大学（CWRU）轴承数据和东南大学轴承数据，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 + 1D-CNN-SENet并行的特征融合模型对故障数据的分类。
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：
（4）模型训练过程可视化：
2 模型泛化实验--东南大学轴承数据集
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
故障五分类混淆矩阵：
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：
3 模型对比实验--东南大学轴承数据集
与常规深度学习模型进行对比
对比实验结果如表所示，在东南大学轴承数据集上CNN类卷积网络要好于用于时序任务上的LSTM、TCN等模型；Transformer因其结构的优势和注意力机制表现出良好的性能；对比常见的深度学习模型，我们所推出的创新模型效果最好！
基于窗口注意力机制的 SwinTransformer结合通道注意力优化的1DCNN网络能够更好地融合不同层次的特征表示，使得模型更关注重要的特征，提高模型性能和泛化能力。
4 模型消融实验--东南大学轴承数据集
模型自身模块的消融实验
并不是所有的模型都"敢"做消融实验，我们提出的创新模型经受住了消融实验的检验，可以看出不同模块对于实验结果的提升，有着明显的作用！
总结：
我们创造性的提出一种 VMD-FFT预处理，
2D-SwinTransformer+ 1DCNN-SENet的并行诊断模型，在多个数据集上表现优越，有着良好的泛化性能！通过对比试验、消融实验等大量的对比验证工作，能够表明我们所提模型在轴承故障诊断任务上效果明显！创新度高!
5 代码、数据整理如下：
