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
●环境框架:python 3.9 pytorch 2.1 及其以上版本均可运行
●时频图像变换:提供5种时频图像变换方法
●准确率:测试集100%
●使用对象:论文需求、毕业设计需求者
●代码保证:代码注释详细、即拿即可跑通。
2多模态创新模型介绍
2.1 模型创新点介绍
(1)多模态融合:
本模型将时频图像和一维时序信号进行多模态融合,充分利用这两类数据的互补性。时频图像通过连续小波变换CWT,将信号的频率和时间特征可视化。而一维时序信号则保留了原始时间依赖信息,适合使用递归神经网络(RNN)或BiGRU进行处理。通过融合这两种特征:
(2)RepLKNet用于时频图像的特征提取
我们在时频图像的特征提取中引入了RepLKNet(Re-parameterized Large Kernel Network),这是一种使用大卷积核的卷积神经网络(CNN)。RepLKNet的优势在于:
这一创新点让模型在时频图像特征提取过程中,能够捕捉到信号的更多高层次信息,使得分类模型在复杂信号环境下依然表现出色。
(3)基于GlobalAttention优化的BiGRU网络
在处理一维时序信号时,我们采用了BiGRU(双向门控循环单元)来提取时序特征。为了进一步提升特征提取的效果,我们引入了GlobalAttention机制,这一设计的优势在于:
这一创新设计使得BiGRU在处理一维时序信号时,能够更加有效地提取出故障发生时的关键特征,显著提高了信号分类的精度。
(4)特征融合优势
模型中的多模态融合部分,通过RepLKNet提取时频图像特征和BiGRU-GATT处理一维信号特征后,我们采用特征拼接融合的方式,将两种特征结合。相比于仅使用单一模式特征的传统模型,融合后的特征在分类任务中的表现更加优越,主要优势体现在:
这种特征融合策略使得我们的模型在多种故障模式下,依然能够保持高效准确的分类性能,提升了模型在实际应用中的鲁棒性和泛化能力。
2.2 模型效果展示
(1)模型训练可视化
(2)模型评估
(3)混淆矩阵
(4)分类标签可视化
(5)原始数据 t-SNE特征可视化
(6)模型训练后的 t-SNE特征可视化:
模型分类效果显著,50个epoch,准确率100%,通过多模态融合、RepLKNet时频图像特征提取、GlobalAttention优化的BiGRU、特征融合策略等多方面的创新设计,使得模型在故障信号分类任务中表现更加出色。这种融合了时间、频率和空间特征的多模态方法,特别适用于复杂的工业故障诊断场景,具有广泛的应用前景,效果明显,创新度高!
本文转载自,作者: