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1DCNN2DResNet并行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：trainset、valset、testset均为按照7：2：1划分训练集、验证集、测试集，最后保存数据上图是数据的读取形式以及预处理思路1.2数据预处理，制作数据集2基于Pytorch...

前言本文基于前期介绍的电力变压器，介绍一种基于CNNLSTM网络的多步预测模型。1、电力变压器数据预处理与可视化1.1导入数据1.2多步预测预处理2、基于CNNLSTM的多步预测模型2.1定义CNNLSTM网络模型2.2设置参数，训练模型50个epoch，MSE为0.000311，CNNLSTM多步预测模型预测效果显著，模型能够充分提取序列的时空特征，收敛速度快，性能优越，预测精度高，适当调整模型参数，还可以进一步提高模型预测表现。注意调整参数：可以适...

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实现基于交叉注意力BiTCNBiGRUCrossAttention的时空特征融合模型对故障数据的分类。凯斯西储大学轴承数据的详细介绍可以参考下文：Python凯斯西储大学（CWRU）轴承数据解读与分类处理1模型整体结构1.1模型整体结构如下所示：一维故障信号分别经过FFT变换、VMD分解处理，然后把变换分解后的结果进行堆叠，通...

​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VGGSENetBiGRUGlobalAttention的时空特征融合模型对故障数据的分类。1模型整体结构预处理:一维故障信号分别经过FFT变换、VMD分解处理，然后把变换分解后的结果进行堆叠。分支一：通过基于通道注意力机制(SENet)的改进VGG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...

前言本文基于Python仿真的电能质量扰动信号，进行快速傅里叶变换（FFT）的介绍与数据预处理，最后通过Python实现基于FFT的CNNBiLSTMCrossAttention模型对电能质量扰动信号的分类。部分扰动信号类型波形图如下所示：模型整体结构模型整体结构如下所示，一维扰动信号经过FFT变换的频域特征以及信号本身的时域特征分别经过CNN卷积池化操作，提取全局特征，然后再经过BiLSTM提取时序特征，使用交叉注意力机制融合时域和频域的特征，...

创新点：1.利用Transformer来提取序列中的长期依赖关系的时序特征，采用并行结构，加快模型的训练和推理速度，提高模型对关键信息的感知能力；2.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，同时应用全局注意力机制GlobalAttention，对BiGRU的输出进行加权处理，使模型能够聚焦于序列中最重要的部分，提高预测性能；3.利用交叉注意力进行并行网络时空特征的融合，这样可以同...

环境：python3.9pytorch1.8及其以上都可以模型创新点还未发表，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：1.利用时间卷积网络（TCN）的一系列时间卷积层，这些卷积层可以有效地捕获不同时间尺度上的序列模式，在TCN的输出上应用SENet模块，用于学习和增强重要特征的表示，提高模型对关键信息的感知能力；2.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...

前言本文基于前期介绍的电力变压器（文末附数据集），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...