本原创程序提出的ZOA-PCNN-AT-SVM故障识别模型还没有人写！在此基础上进一步对参考模型进行多重改进，程序注释清晰，干货满满，下面对文章和程序做简要介绍！
①识别模型部分参考中文EI期刊《电力自动化设备》12月29号网络首发文献：《基于格拉姆角场与并行CNN的并网逆变器开关管健康诊断》；②优化模型部分参考知名SCI、EI期刊《IEEE Access》2022年10月发表的论文《Zebra Optimization Algorithm》识别模型原文献解读：这篇文献中，首先，采集一维故障电压与电流信号的时序序列；其次，利用格拉姆角场对其进行变换，将两种一维时序信号转化为格拉姆角场，最后，将生成的两组图像同时送入CNN进行并行学习训练，实现逆变器故障诊断。![]()
![]()
斑马优化ZOA简介：ZOA斑马优化的基本灵感来自斑马在自然界中的行为。ZOA模拟了斑马的觅食行为及其对捕食者攻击的防御策略，对 ZOA 步骤进行描述，然后进行数学建模。ZOA 在优化方面的性能根据 68 个基准函数进行评估，包括单峰、高维多模态、固定维多模态。将ZOA获得的结果与九种知名算法GWO、TLBO、GA、MPA、PSO、QANA、TSA、WOA和GSA的性能进行了比较，仿真结果表明，ZOA能够通过在探索和开发之间建立适当的平衡来解决优化问题，并且与9种竞争算法相比具有更优越的性能。并在四个实际工程问题上对ZOA进行了测试。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ZOA-PCNN-AT-SVM故障识别模型：采用双支路结构，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PCNN-AT-SVM模型，用ZOA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/ZZmZmp5q![]()
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CNN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ZOA-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：斑马优化算法ZOA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，ZOA-PCNN-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 斑马优化ZOA适应度曲线：
![]()
完整代码：https://mbd.pub/o/bread/ZZmZmp5q欢迎感兴趣的小伙伴点击左下角“阅读原文”或上方链接获得完整版代码哦~，关注小编会继续推送更有质量的学习资料、文章程序代码~
