一维数据分类与滚动轴承故障检测：'1维Swin Transformer'、'相对位置编码'与'多
尺度一维卷积特征编码'技术探究
工业界的数据分析江湖里，一维信号的分类任务就像暗器高手过招——看似简单实则暗藏玄机。今天
咱们聊聊用Transformer这把新武器玩转轴承振动信号、雷达回波和心电波形的实战技巧，手把手拆解三
个关键黑科技。
先看滚动轴承故障检测这个经典场景。凯斯西储大学的数据集里，振动信号就像病人的心电图，细
微的波形变化都对应着不同的机械故障类型。传统方法总在时频特征上打转，现在试试Swin Transformer
的魔改版：
```python
class Swin1DBlock(nn.Module):
def __init__(self, dim, window_size=7):
super().__init__()
self.attn = ShiftWindowAttention1D(dim, window_size)
self.mlp = nn.Sequential(
nn.LayerNorm(dim),
nn.Linear(dim, 4*dim),
nn.GELU(),
nn.Linear(4*dim, dim)
)
def forward(self, x):
x = x + self.attn(x)
x = x + self.mlp(x)
return x
```
这可不是普通的注意力机制！window_size参数控制着滑动窗口的大小，就像给振动信号装了个放
大镜，不同位置的波形特征会进行局部交互。想象一下，轴承内圈故障的特征波峰和正常状态的波谷在窗
口中相遇，模型就能捕捉到这种位置相关性。
接着上第二个杀手锏——相对位置编码。传统Transformer的位置编码像刻舟求剑，咱们的方案更聪
明：
```python
# 相对位置偏置矩阵生成
