【轴承RUL预测代码】基于TCN、TCN和多头注意力(TCN和Transformer的encoder结合)、Transformer模型的轴承RUL预测代码(精华)

近期新写的PHM2012&XJTU轴承寿命预测完整代码

  • 原始特征集(①原始振动信号序列数据②FFT预处理序列数据③STFT预处理序列数据④HHT边际谱序列数据)
  • 模型(①TCN模型②TCN和多头注意力(TCN和Transformer的encoder结合)③Transformer模型)

原始特征集(①原始振动信号序列数据②FFT预处理序列数据③STFT预处理序列数据④HHT边际谱序列数据)

这里以PHM2012轴承特征数据集为例,采样频率为25.6kHz,采样持续时间是0.1s,采样点数是2560

原始特征集 类型
振动数据 2560维度
FFT预处理数据 1280维度
STFT预处理数据 1281维度

后续还可以将上述的原始特征集数据作为深度自编网络的输入,进行无监督学习,提取深度特征数据

自编码模型 深度特征维度可以任意设置(均为TensorFlow2.3版本)
AE(普通自编码) AE的基础网络可以是MLP、LSTM、CNN、TCN
DAE(降噪自编码) DAE的基础网络可以是MLP、LSTM、CNN、TCN
SAE(堆栈自编码) SAE的基础网络可以是MLP、LSTM、CNN、TCN
SDAE(堆栈降噪自编码) SDAE的基础网络可以是MLP、LSTM、CNN、TCN

模型(①TCN模型②TCN和多头注意力(TCN和Transformer的encoder结合)③Transformer模型)

两个版本的模型都有:

模型 框架
TCN模型 PyTorch1.9、TensorFlow2.3
TCN和多头注意力 PyTorch1.9、TensorFlow2.3
Transformer PyTorch1.9、TensorFlow2.3

你可能感兴趣的:(公告,寿命预测,笔记,transformer,深度学习,人工智能)