AI.x社区

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...

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...

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：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：多特征序列数据同时通过基于Gl...

1创新模型效果：1.1模型评估：1.2风电功率预测可视化：1.3电力负荷预测可视化：2模型创新点介绍2.1结合Informer和BiGRUGATT的优势Informer：擅长处理长时间序列，能够并行计算，提高了计算效率和预测性能。Informer在Transformer的基础上进行了改进，使其更适合时序数据，特别是具有长时间依赖的序列数据。BiGRUGlobalAttention：通过双向门控循环单元（BiGRU）同时从前向和后向对序列进行建模，以更好地捕获序列中的依赖关系，...

1模型创新点介绍1.1时间编码输入信息编码参考Informer论文，我们把源码和数据集制作进行了优化，方便任何带有时间特征列的数据集进行输入信息的编码。Informer在原始向量上不止增加了Transformer架构必备的PositionEmbedding（位置编码）还增加了与时间相关的各种编码：日周期编码：表示一天中的时间点。周周期编码：表示一周中的时间点。月周期编码：表示一个月中的时间点。在时间序列预测任务中，不同时间节点可能蕴藏着重要...

SwinTransformer是一种通用视觉任务的Backbone而存在的模型，以替代CNN：（1）层次化设计：SwinTransformer引入了层次化特征表示的概念，类似于CNNs中常见的金字塔结构。这使得它在处理高分辨率图像时更加高效，能够逐步聚合信息，并以多尺度特征应对不同的视觉任务。（2）滑动窗口机制：SwinTransformer通过滑动窗口的方式计算注意力，使得每个窗口内部的注意力计算复杂度大幅降低。这种局部注意力机制有效地解决了ViT在高分辨...

SwinTransformer是一种通用视觉任务的Backbone而存在的模型，以替代CNN：图片（1）层次化设计：SwinTransformer引入了层次化特征表示的概念，类似于CNNs中常见的金字塔结构。这使得它在处理高分辨率图像时更加高效，能够逐步聚合信息，并以多尺度特征应对不同的视觉任务。（2）滑动窗口机制：SwinTransformer通过滑动窗口的方式计算注意力，使得每个窗口内部的注意力计算复杂度大幅降低。这种局部注意力机制有效地解决了ViT在高...