适用平台:Matlab2023版本及以上
本程序同时结合两篇国内顶级EI的方法:提出1D-2D-MTF-CNN-GRU-AT多通道图像时序融合的分类/故障识别程序!
①中文EI期刊《电力自动化设备》12月29号网络首发文献:《基于格拉姆角场与并行CNN的并网逆变器开关管健康诊断》;
②中文EI期刊《电网技术》网络首发文献:《基于马尔可夫转换场与多头注意力机制的电能质量扰动分类方法》
此外,在此基础上进一步对模型进行优势结合,程序注释清晰,干货满满,下面对文章和程序做简要介绍!
文献①解读:这篇文献中,首先,采集一维故障电压与电流信号的时序序列;其次,利用格拉姆角场对其进行变换,将两种一维时序信号转化为格拉姆角场,最后,将生成的两组图像同时送入CNN进行并行学习训练,实现逆变器故障诊断。
创新点:双支路特征提取结构可以实现分别提取不同侧重点的特征,实现双支路的特征互补。
文献②解读:这篇文献的创新点在于马尔可夫场(MTF)与卷积神经网络(CNN)相结合,融入多头注意力机制,实现故障分类。MTF将一维信号转换为二维特征图,而CNN可以对这些特征图进行自适应的特征提取和分类,融合多头注意力机制有效把握提取特征的贡献程度,实现了故障的准确分类。
创新点:通过顺序表达状态转移矩阵,充分保留了离散化时域动态信息,最终利用模糊内核聚合生成二维图像,图像化一维时序数据,更有效地捕捉复杂的波形规律和异常。
模型结合改进:我们提出的模型在上述模型基础上提出优势互补模型:
模型互补:
-
参考文献①:采用双支路结构,分别利用不同的支路提取不同侧重点的特征,实现双支路的特征互补。
-
参考文献②:仅需原始故障波形数据,即可根据波形数据,将一维序列转化为二维马尔科夫场(MTF)图像。
模型改进:
-
一路为图像输入经CNN提取格拉姆角场图像特征,提出将另一路为故障波形直接输入经GRU提取时序特征,高维图像特征和一维时序特征融合。
-
融合多头注意力机制有效把握提取特征的贡献程度,将特征进行重点强化,提高故障识别的准确率,并计算精确度、召回率、精确率、F1分数等评价指标。故障识别流程如下:
六重创新点:
1、多模态融合:将一维时序信号和二维图像融合,可以综合利用不同模态的信息,从而更全面地描述数据的特征。这有助于提取更丰富、更有区别性的特征,从而提高分类和识别的准确性。
2、时序信息捕获:GRU(门控循环单元)是一种适用于时序数据的循环神经网络,它能够捕获一维时序信号中的动态变化和趋势。通过将GRU与CNN结合,算法可以同时考虑时序特征和空间特征,进一步提升了算法的性能。
3、空间特征学习:CNN(卷积神经网络)在图像处理中表现出色,能够有效地学习图像的空间特征和局部模式。将CNN用于图像数据的处理可以帮助提取图像的纹理、形状和边缘等特征,有助于更准确地进行分类和故障识别。
4、融合优势:通过融合不同模态的信息,算法可以弥补一维时序信号和二维图像各自的局限性。例如,图像可能对于某些故障模式更敏感,而时序信号则对于其他模式更敏感。将它们结合起来,可以增强算法的鲁棒性和泛化能力。
5、多头自注意力机制:融合多头注意力机制有效把握提取特征的贡献程度,将特征进行重点强化,提高故障识别的准确率。
6、提高泛化能力:多模态融合可以帮助算法更好地理解数据的本质特征,从而减少过拟合的风险,提高算法在新数据上的泛化能力。
适用领域:适用于各种数据分类场景,如滚动轴承故障、变压器油气故障、电力系统输电线路故障区域、绝缘子、配网、电能质量扰动,等领域的识别、诊断和分类。
直接替换数据就可以,使用EXCEL表格直接导入,不需要对程序大幅修改。程序内有详细注释,便于理解程序运行。
数据格式:一行一个样本,最后一列为样本所属的故障类型标签
程序结果:(由上述一维序列自动转化为马尔可夫场图像)
部分图片来源于网络,侵权联系删除!文章来源:https://www.toymoban.com/news/detail-807719.html
欢迎感兴趣的小伙伴联系小编获得完整版代码哦~,关注小编会继续推送更有质量的学习资料、文章程序代码~文章来源地址https://www.toymoban.com/news/detail-807719.html
到了这里,关于直接发文!1D-2D-MTF-CNN-GRU-AT多通道图像时序融合的分类/故障识别程序!Excel导入,直接运行的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!