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

---

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：

​

​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FFT+CNN-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_size=64,  ，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

​

十分类混淆矩阵：

​

代码、数据如下

对数据集和代码感兴趣的，可以关注最后一行

# 加载数据
import torch
from joblib import dump, load
import torch.utils.data as Data
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
# 参数与配置
torch.manual_seed(100)  # 设置随机种子，以使实验结果具有可重复性
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 
#代码和数据集：https://mbd.pub/o/works/555897