摘要：本文提出了一种基于改进型时序卷积网络(TCN)的变压器振动-电压预测方法。通过多MATLAB文件加载不同电压等级的振动数据，采用9:3:4比例划分训练/验证/测试集，并进行归一化处理。网络采用多尺度因果膨胀卷积架构，包含两层初始卷积层和多个TCN块，通过指数增长的膨胀率捕获不同时间尺度特征。使用AdamW优化器配合动态学习率调整策略训练模型，并采用多种评估指标验证性能。实验结果表明，该方法能

摘要：本文提出了一种基于改进型时序卷积网络(TCN)的变压器振动-电压预测方法。通过多MATLAB文件加载不同电压等级的振动数据，采用9:3:4比例划分训练/验证/测试集，并进行归一化处理。网络采用多尺度因果膨胀卷积架构，包含两层初始卷积层和多个TCN块，通过指数增长的膨胀率捕获不同时间尺度特征。使用AdamW优化器配合动态学习率调整策略训练模型，并采用多种评估指标验证性能。实验结果表明，该方法能

‌基于机器学习的太阳能光伏组件故障诊断（Python）

基于机器学习的风力涡轮机故障诊断和预测性维护（Python）

小样本学习方法总结及发展趋势

本文提出了一种基于改进UNet的轴承故障诊断方法。首先将振动信号通过短时傅里叶变换转换为时频谱图，构建二维特征。改进的UNet网络移除了时间嵌入模块，增加了注意力机制和残差连接。采用数据增强扩充训练样本，使用交叉熵损失函数和Adam优化器进行模型训练。实验结果表明，该方法能有效识别轴承正常、滚珠故障、内圈故障和外圈故障四种状态，具有较高的分类准确率。

本文提出一种基于物理信息的故障诊断新范式，通过可学习的傅里叶级数显式拟合振动信号，取代传统黑箱神经网络。该方法将信号分段后用傅里叶PINN拟合，提取谐波系数统计特征（均值和标准差）及残差作为35维物理可解释特征，最后送入轻量MLP分类器。相比端到端深度学习，该方法每个特征都对应明确的谐波分量，残差反映信号偏离周期结构的程度，实现了完全物理可解释的诊断流程。实验表明，该方法在保持诊断精度的同时，显著

本文提出了一种结合物理机理与数据驱动的轴承早期故障检测方法。首先基于轴承故障频率BPFO理论设计多频带阻滤波器提取背景噪声，通过Wiener滤波降噪并保留故障特征。随后计算去噪信号的标准差(STD)序列，利用LSTM网络学习健康状态下的STD演变规律。测试阶段通过比较预测STD与真实值的偏差实现早期预警。实验表明，该方法能提前1.5分钟检测到异常（帧458触发预警），显著优于传统时域指标。算法融合

本文提出了一种数据驱动的自适应频带分割方法，用于振动信号分析中的频带划分问题。该方法通过阶统计滤波提取频谱包络，并基于包络峰谷形态自动确定频带边界，无需先验频率知识。实验验证表明，该方法在仿真信号上能准确分解各分量，相关系数均大于0.98。相比传统等宽划分、倍频程划分或经验划分方法，该方法具有更好的自适应性和物理意义清晰性。

本文提出一种基于动态决策树的自适应机械故障诊断算法。该方法通过滤波器组构建候选频带空间，以峭度、基尼系数等为指标函数，采用多树动态决策树算法实现智能频带搜索，自动定位最优故障特征频带。算法平衡探索与利用，显著降低计算量，并自适应匹配不同工况特征。获得最优频带后，通过包络谱分析提取故障特征频率。整个流程无需人工干预，具有强泛化能力和高精度，适用于轴承、齿轮等旋转机械的早期故障诊断。