AI.x社区

前言本文基于凯斯西储大学（CWRU）轴承数据，先经过数据预处理进行数据集的制作和加载，最后通过Pytorch实现KNN+GCN模型对故障数据的分类。1.相关网络介绍1.1图卷积神经网络(GCN)论文地址：​​https:arxiv.orgabs1609.02907​​1.2图注意力网络(GAT)论文地址：​​https:arxiv.orgabs1710.10903​​1.3稀疏图卷积网络(SGCN)论文地址：​​​https:arxiv.orgabs2104.01528​​​1.4GIN图同构网络论文地址：​​​https:arxiv.or...

前言本期推出一种基于KNN+GCN和基于全局注意力机制优化的BiGRU并行分类模型，在故障诊断任务上效果显著！1模型简介与创新点介绍1.1模型简介在应用图卷积网络(GraphConvolutionalNetworks,GCN)到信号模式识别领域中，最关键的是如何构建数据的图结构；我们利用基于KNN的轴承故障信号预处理的方法，来构建故障信号序列的图结构，并用GCN+BiGRUGlobalAttention网络模型进行诊断识别，取得了一定精度的分类效果。1.2创新点介绍基于K...

前言在轴承故障信号中既包含轴承转动声音，又包含场景中的其他噪声信息。如何聚焦轴承转动的时域特征和频域特征，降低场景噪声的干扰，是我们需要解决的问题。本期为大家介绍几种常用且高效的信号降噪算法：（1）离散小波变换（DWT）：通过将信号分解到不同的频带，有效地分离出噪声和故障特征。（2）经验模态分解（EMD）：自适应地将信号分解为一系列本征模态函数（IMF），每个IMF代表不同尺度的成分。（3）经验小波变换（EWT...

前言本文基于某时间序列分类任务数据集，介绍一种融合快速傅里叶变换FFT，基于时频特征融合的FFTCNNBiGRUAttention创新分类模型。1模型简介与创新点介绍1.1模型简介●数据集：时间序列分类任务数据集●环境框架：python3.9pytorch2.1及其以上版本均可运行●使用对象：入门学习，论文需求者●代码保证：代码注释详细、即拿即可跑通。●配套文件：详细的环境配置安装教程，模型、参数讲解文档1.2创新点介绍（1）快速傅里叶变换（F...

前言实验采用美国马里兰大学先进寿命周期工程研究中心(CALCE)的锂电池充放电循环寿命实验数据。马里兰大学实验组将实验数据按时间分类存放在一系列excel文件中，CS2电池设置的工作温度为恒定温度(20～25℃)。CS2电池实验过程可分为充电阶段和放电阶段。此次研究从中采取1.1A的CS2型号电池的4组数据，分别为：CS35、CS36、CS37和CS38，电池数据文件中电池参数较多，如时间节点、测试时间、循环次数、电流、电压、充电容量、放电...

前言本文基于前期介绍的电力变压器，介绍一种综合应用完备集合经验模态分解CEEMDAN与基于麻雀优化算法的SSATCNBiLSTMAttention预测模型，以提高时间序列数据的预测性能。该方法的核心是使用CEEMDAN算法对时间序列进行分解，接着利用麻雀优化算法对TCNBiLSTMAttention模型进行优化，通过对分解后的数据进行建模，来实现精准预测。1数据CEEMDAN分解与可视化1.1导入数据1.2CEEMDAN分解根据分解结果看，CEEMDAN一共分解出11个分量，...

前言本期推出结合CVPR2022视觉顶会论文RepLKNet的多模态故障诊断创新模型，适合各种故障诊断领域、电能质量扰动信号、各种声信号、脑电信号等分类任务!创新模型还未发表！！！有小论文、毕业论文需求的不容错过！提供马尔可夫转换场MTF、递归图RP、格拉姆矩阵GAF、连续小波变换CWT、短时傅里叶变换STFT五种时频图像变换方法，可灵活替换多模态特征中的时频图像类型！1创新模型相关解释●数据集：CWRU西储大学轴承数据集●环境框...

1模型创新点介绍1.1时序特征捕捉与建模使用Informer的编码器层来捕捉长故障信号时序依赖特征长时间序列处理：传统的RNN和LSTM等方法在处理长时间序列时存在计算效率低、梯度消失等问题。Informer通过改进Transformer架构，使用ProbSparseSelfAttention机制，有效地提高了计算效率，特别是对于长时间序列数据。全局特征提取：通过多头注意力机制，Informer能够捕捉序列数据中的全局特征和长时间依赖关系，确保对故障信号的时序特...

前言本文基于前期介绍的电力变压器，介绍一种基于LSTM预测模型的SHAP可视化分析教程。数据集是使用.csv形式进行存储的，包括了除时间列外“HUFL”,“HULL”,“MUFL”,“MULL”,“LUFL”,“LULL”和“OT”7个特征。1多特征变量数据集制作与预处理1.1导入数据集取油温数据OT为目标预测值！1.2数据集制作按照8：2划分训练集，测试集，滑动窗口设置为122基于Pytorch的LSTM预测模型2.1定义LSTM预测模型2.2设置参数，训练模型注意调整...

​前言在时间序列预测任务中，像EMD（经验模态分解）、CEEMDAN（完全集合经验模态分解）、VMD（变分模态分解）等分解算法的使用有可能引入信息泄露，具体情况取决于这些方法的应用方式。信息泄露的主要风险在于：将未来的信息泄露给了模型，使得模型在实际应用中表现得比应有的好。为了防止信息泄露，我们在分解之前，首先对数据集进行划分。然后使用滑动窗口的方法来制作数据集标签，最后逐步滚动分解时间序列窗口！1创新模型...

​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2DSWinTransformer+1DCNNSENet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、F1Score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tSNE特征可视化（3）模型训练后的tSNE特...

前言本文基于凯斯西储大学（CWRU）轴承数据，先经过数据预处理进行数据集的制作和加载，最后通过Pytorch实现KNN+GCN模型对故障数据的分类。1.相关网络介绍1.1图卷积神经网络(GCN)论文地址：​​https:arxiv.orgabs1609.02907​​1.2图注意力网络(GAT)论文地址：​​https:arxiv.orgabs1710.10903​​1.3稀疏图卷积网络(SGCN)论文地址：​​​https:arxiv.orgabs2104.01528​​​1.4GIN图同构网络论文地址：​​​https:arxiv.or...

前言本期推出结合CVPR2022视觉顶会论文RepLKNet的多模态故障诊断创新模型，适合各种故障诊断领域、电能质量扰动信号、各种声信号、脑电信号等分类任务!创新模型还未发表！！！有小论文、毕业论文需求的不容错过！提供马尔可夫转换场MTF、递归图RP、格拉姆矩阵GAF、连续小波变换CWT、短时傅里叶变换STFT五种时频图像变换方法，可灵活替换多模态特征中的时频图像类型！1创新模型相关解释●数据集：CWRU西储大学轴承数据集●环境框...

1模型创新点介绍1.1时序特征捕捉与建模使用Informer的编码器层来捕捉长故障信号时序依赖特征长时间序列处理：传统的RNN和LSTM等方法在处理长时间序列时存在计算效率低、梯度消失等问题。Informer通过改进Transformer架构，使用ProbSparseSelfAttention机制，有效地提高了计算效率，特别是对于长时间序列数据。全局特征提取：通过多头注意力机制，Informer能够捕捉序列数据中的全局特征和长时间依赖关系，确保对故障信号的时序特...

前言本期推出结合CVPR2022视觉顶会论文RepLKNet的多模态故障诊断创新模型，适合各种故障诊断领域、电能质量扰动信号、各种声信号、脑电信号等分类任务!创新模型还未发表！！！有小论文、毕业论文需求的不容错过！提供马尔可夫转换场MTF、递归图RP、格拉姆矩阵GAF、连续小波变换CWT、短时傅里叶变换STFT五种时频图像变换方法，可灵活替换多模态特征中的时频图像类型！1创新模型相关解释●数据集：CWRU西储大学轴承数据集●环境框...

第一类基础线性层替换KAN层替换线性层Linear：更新关于LSTM、TCN、Transformer模型中用KAN层替换线性层的故障分类模型。KAN的准确率要优于MLP，我们可以进一步尝试在常规模型的最后一层线性层都替换为KAN层来进行对比；KAN卷积比常规卷积准确率有略微的提升！第二类并行融合模型KAN卷积、GRU并行：故障信号同时送入并行模型，分支一经过KAN卷积进行学习，分支二利用GRU提取故障时域特征，然后并行特征进行堆叠融合，来增强故障...

前言本文基于前期介绍的电力变压器，介绍一种基于VMD+CEEMDAN二次分解的TCNTransforme预测模型，以提高时间序列数据的预测性能。电力变压器数据集的详细介绍可以参考下文：电力变压器数据集介绍和预处理1二次分解与数据集制作1.1导入数据1.2VMD分解第一步，根据不同K值条件下，观察中心频率，选定K值；从K4开始出现中心频率相近的模态，出现过分解，故模态数K选为4。第二步，分解可视化1.3样本熵样本熵是一种用于衡量序列复杂度...

前言在时间序列预测任务中，像EMD（经验模态分解）、CEEMDAN（完全集合经验模态分解）、VMD（变分模态分解）等分解算法的使用有可能引入信息泄露，具体情况取决于这些方法的应用方式。信息泄露的主要风险在于：将未来的信息泄露给了模型，使得模型在实际应用中表现得比应有的好。为了防止信息泄露，我们在分解之前，首先对数据集进行划分。然后使用滑动窗口的方法来制作数据集标签，最后逐步滚动分解时间序列窗口！注：没有错误...

前言本文基于前期介绍的电力变压器，介绍一种基于TCNSENet+BiGRUGlobalAttention并行预测模型，以提高时间序列数据的预测性能。电力变压器数据集的详细介绍可以参考下文：电力变压器数据集介绍和预处理1模型整体结构模型整体结构如下所示:分支一：通过基于通道注意力机制(SENet)的TCN模型网络，来自适应地调整通道特征的权重，使模型能够自动学习到不同通道的重要性，提取了多特征序列中与预测目标相关的重要空间特征；分支二：...

前言本期基于凯斯西储大学（CWRU）轴承数据，进行Transformer的结构优势进行讲解，结合论文《HowMuchAttentionDoYouNeed》，探索不同模块对故障分类任务的影响力。1《HowMuchAttentionDoYouNeed》1.1论文解析论文提到三个观点：（1）Sourceattentiononlowerencoderlayersbringsnoadditionalbenefit(x4.2).解释：SourceAttention：通常指的是在编码器（encoder）中，模型关注输入序列的不同部分的机制。在Transformer中，编码器...