saas建站工具,中国风景摄影网,湖北网站推广公司技巧,玩具网站规划说明书购物网站往期精彩内容#xff1a;
Python-电能质量扰动信号数据介绍与分类-CSDN博客
Python电能质量扰动信号分类(一)基于LSTM模型的一维信号分类-CSDN博客
Python电能质量扰动信号分类(二)基于CNN模型的一维信号分类-CSDN博客
Python电能质量扰动信号分类(三)基于Transformer的一… 往期精彩内容
Python-电能质量扰动信号数据介绍与分类-CSDN博客
Python电能质量扰动信号分类(一)基于LSTM模型的一维信号分类-CSDN博客
Python电能质量扰动信号分类(二)基于CNN模型的一维信号分类-CSDN博客
Python电能质量扰动信号分类(三)基于Transformer的一维信号分类模型-CSDN博客
Python电能质量扰动信号分类(四)基于CNN-BiLSTM的一维信号分类模型-CSDN博客
Python电能质量扰动信号分类(五)基于CNN-Transformer的一维信号分类模型-CSDN博客
Python电能质量扰动信号分类(六)基于扰动信号特征提取的超强机器学习识别模型-CSDN博客
电能质量Python实现全家桶-CSDN博客
基于FFT CNN - BiGRU-Attention 时域、频域特征注意力融合的电能质量扰动识别模型-CSDN博客
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CNN-Transformer融合模型对电能质量扰动信号的分类。Python仿真电能质量扰动信号的详细介绍可以参考下文文末附10分类数据集 Python-电能质量扰动信号数据介绍与分类_简述高频振荡、中频振荡、低频振荡的主频率范围与持续时间范围-CSDN博客
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故障信号经过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Transformer提取时序特征增强融合特征最后经过全连接层和softmax输出分类结果。 1 快速傅里叶变换FFT原理介绍
傅里叶变换是一种信号处理和频谱分析的工具用于将一个信号从时间域转换到频率域。而快速傅里叶变换FFT是一种高效实现傅里叶变换的算法特别适用于离散信号的处理。 第一步导入部分数据扰动信号可视化 第二·步扰动·信号经过FFT可视化 2 电能质量扰动数据的预处理
2.1 导入数据
在参考IEEE Std1159-2019电能质量检测标准与相关文献的基础上构建了扰动信号的模型生成包括正常信号在内的10中单一信号和多种复合扰动信号。参考之前的文章进行扰动信号10分类的预处理
第一步按照公式模型生成单一信号 单一扰动信号可视化 2.2 制作数据集
制作数据集与分类标签 3 基于FFTCNN-Transformer的轴承故障识别模型
3.1 网络定义模型
注意输入扰动信号数据形状为 [64, 1024] batch_size64, 1024代表序列长度。 3.2 设置参数训练模型
50个epoch准确率将近100%用FFTCNN-Transformer融合网络模型分类效果显著模型能够充分提取轴承故障信号的空间和时序特征和频域特征收敛速度快性能优越迄今为止是目前往期文章方法中精度最高的方法。 注意调整参数 可以适当增加 CNN层数和隐藏层维度数微调学习率 改变Transformer隐藏维度和层数增加更多的 epoch 注意防止过拟合 可以改变一维信号堆叠的形状设置合适的长度和维度. 3.3 模型评估
准确率、精确率、召回率、F1 Score 十分类混淆矩阵 4 代码、数据整理如下