本原创程序结合物理类的优化算法，提出的TTAO-PCNN-MSA-SVM故障识别模型，绝对没有人写！，并且提供超多炫酷的可视化及数据分析图，让专家眼前一亮！真正做到一个程序发表一篇学术论文！
![]()
![]()
TTAO优化ZOA简介：算法的启发来源是类似三角形的拓扑学性质。名为Triangulation Topology Aggregation Optimizer，TTAO）的新型数学元启发算法中，每个三角形拓扑单元表示一个搜索个体。TTAO算法通过聚合形成不同大小的类似三角形拓扑单元，以作为基本的进化单元。与其他元启发算法不同，TTAO算法提出了一种新的进化指导模式，主要依靠每个三角形单元中的最佳个体指导单元内个体的进化。原理请看往期推文模型改进：我们提出的模型在上述文献模型基础上作出多重改进，提出的TTAO-PCNN-MSA-SVM故障识别模型：采用双支路结构（Parallel convolutional neural networks，PCNN） ，仅需原始故障波形数据，即可根据波形数据，将一维序列转化为二维格拉姆求和场图像。将图像同时输入TTAO-PCNN-MSA-SVM模型，用TTAO对模型中的超参数进行寻优，提供两条支路提取的特征图，提供原始样本和特征样本之间的分布情况，提高模型可解释性，并计算精确度、召回率、精确率、F1分数等评价指标。故障识别流程如下：https://mbd.pub/o/bread/ZZ2Vkp1r七重创新点：
1、时序图像化：将一维时序信号转化为二维图像，从而更全面地描述数据的特征。这有助于提取更丰富、更有区别性的特征，从而提高分类和识别的准确性。2、空间特征学习：CNN（卷积神经网络）在图像处理中表现出色，能够有效地学习图像的空间特征和局部模式。将CNN用于图像数据的处理可以帮助提取图像的纹理、形状和边缘等特征，有助于更准确地进行分类和故障识别。
3、双支路结构：利用两个分支PCNN学习不同的图像权重值，双支路高维特征互补，使得深层空间特征得到显著增强。4、多头自注意力机制：融合多头注意力机制（Multihead Self-Attention，MSA）有效把握提取特征的贡献程度，将特征进行重点强化，提高故障识别的准确率。5、可解释性：为提升模型的可解释性，应用t-SNE可解释性算法对各个支路模块的特征图进行可视化；对比原始样本和TTAO-PCNN-AT-SVM提取特征后的样本分布情况。6、改进输出结构：将原始的Softmax层改进为SVM，Softmax作为概率方法，会受到异常值的影响，而SVM采用样本分布的边缘来分类一定距离内的故障样本，对异常值具有更强的鲁棒性。7、超参数优化：三角形拓扑聚合优化算法TTAO对模型中的难以确定的学习率、支路1卷积核大小、支路2卷积核大小等参数进行寻优，使得模型的结构更加合理，提高了故障识别精度。适用领域：适用于各种数据分类场景，如滚动轴承故障、变压器油气故障、电力系统输电线路故障区域、绝缘子、配网、电能质量扰动，等领域的识别、诊断和分类。数据格式：一行一个样本，最后一列为样本所属的故障类型标签直接替换数据就可以，使用Excel表格直接导入，不需要对程序大幅修改。程序内有详细注释，便于理解程序运行。![]()
PCNN 双支路实现特征可视化（证明2条支路的特征不同，有互补性）
![]()
与原始样本相比，TTAO-PCNN-MSA-SVM 能够实现相同样本聚合，实现同类别故障样本的聚合（不同类间的区分，同类间的聚合）
![]()
模型训练曲线：
![]()
训练曲线和三角形拓扑聚合优化TTAO适应度曲线：
部分图片来源于网络，侵权联系删除！
完整代码：https://mbd.pub/o/bread/ZZ2Vkp1r
欢迎感兴趣的小伙伴点击左下角“阅读原文”或上方链接/二维码获得完整版代码哦~关注小编会不定期推送高创新型、高质量的学习资料、文章程序代码，为你的科研加油助力!
