基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型

目录

往期精彩内容:

​模型整体结构

1 快速傅里叶变换FFT原理介绍

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

2.2 制作数据集

3 基于FFT+CNN-Transformer的轴承故障识别模型

3.1 网络定义模型

3.2 设置参数,训练模型

3.3 模型评估

代码、数据如下


基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型_第1张图片

往期精彩内容:

电能质量扰动信号数据介绍与分类-Python实现-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

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):

电能质量扰动信号数据介绍与分类-Python实现_python给电压数据做分类-CSDN博客

部分扰动信号类型波形图如下所示:

基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型_第2张图片

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。

基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型_第3张图片

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。

基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型_第4张图片

第一步,导入部分数据,扰动信号可视化

基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型_第5张图片

第二·步,扰动·信号经过FFT可视化

基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型_第6张图片

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

基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型_第7张图片

单一扰动信号可视化:

基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型_第8张图片

2.2 制作数据集

制作数据集与分类标签

基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型_第9张图片

3 基于FFT+CNN-Transformer的轴承故障识别模型

3.1 网络定义模型

基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型_第10张图片

注意:输入扰动信号数据形状为 [64, 1024], batch_size=64,  ,1024代表序列长度。

3.2 设置参数,训练模型

基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型_第11张图片

50个epoch,准确率将近100%,用FFT+CNN-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

基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型_第12张图片

十分类混淆矩阵:

基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型_第13张图片

代码、数据如下

基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型_第14张图片

你可能感兴趣的:(电能质量扰动信号,cnn,transformer,人工智能)