轴承RUL预测代码基于TCNTCN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)

Posted 2023-01-26 风筝不是风

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