本文提出了一种融合小波变换、图注意力网络和交叉注意力机制的混合模型(Wavelet-GAT-MCA)，用于智能电网在强噪声环境下的鲁棒故障分类。该模型通过连续小波变换和格拉姆角场将PMU时序信号转换为图像表示，利用图注意力网络捕捉电网拓扑结构特征，并结合交叉注意力机制融合时空特征。实验在IEEE39节点系统上进行，结果表明所提模型在20-40dB噪声环境下相比传统方法准确率提升显著，特别是在20d

CVPR 2023和ICLR 2023异常检测相关文章

基于Diffusion Model相关的异常检测文章

Transformer模型在强化学习中的应用相关论文

时间序列预测和时间序列异常检测

基于自编码器AutoEncoder相关的异常检测文章

时间序列异常检测相关论文

希尔伯特(Hilbert)包络解调故障诊断-基于paderborn轴承数据集(MATLAB)

本文提出了一种基于大语言模型(LLM)的机械故障诊断新方法。通过将传统振动信号特征(24维时频域特征)转换为自然语言描述，并微调ChatGLM2-6B模型进行故障分类，实现了诊断过程的可解释性。该方法采用LoRA技术高效微调，仅需训练约600万参数，在保持模型原有语言理解能力的同时，将数值分类问题转化为文本分类任务。实验结果表明，该方法既能利用大模型的语义推理能力，又解决了传统方法特征提取依赖人工

图像分割中的不确定性估计论文