轴承作为机械设备中的关键部件，其故障诊断对保障设备可靠运行和防止重大事故具有重要意义。针对传统故障诊断方法难以应对轴承振动信号的非平稳性、多尺度性及高噪声特征，本文提出了一种基于变分模态分解（Variational Mode Decomposition，VMD）滚动分解与快速傅里叶变换（FFT）预处理相结合的注意力机制优化的新型故障诊断框架。

本期基于美国国家航天局（NASA）锂电池实验数据，复现了Nature子刊论文中提出的 CEEMDAN+SSA-LSTM+SVR 模型实验。通过对该先进深度学习模型的深入剖析和实验验证，旨在为后续锂电池健康管理系统（Battery Health Management, BHM）研究提供可借鉴的方法路径和数据支持，具有显著的学习和参考价值。

本文基于凯斯西储大学（CWRU）轴承数据，先经过数据预处理进行数据集的制作和加载，最后通过Pytorch实现FFT+WDCNN-Transformer模型对故障数据的分类。

随着城市工业化进程的加快，空气污染问题，尤其是PM2.5浓度的预测，成为环境科学和公共健康领域的研究重点。针对PM2.5序列的非平稳性和复杂性，本文提出了一种基于变分模态分解（Variational Mode Decomposition, VMD）滚动分解与Transformer和基于全局注意力机制优化的双向门控循环单元网络（BiGRU）的并行融合预测模型。该方法利用VMD对时间序列信号进行多模态

本期推出结合 CVPR2022 视觉顶会论文 RepLKNet 的多模态故障诊断创新模型，适合各种故障诊断领域、电能质量扰动信号、各种声信号、脑电信号等分类任务!

基于格拉姆矩阵GADF+Swin Transformer窗口注意力和CNN-GAM全局注意力的轴承故障诊断模型!

本期主要更新基于 Python 的凯斯西储大学（CWRU）轴承数据解读与分类处理！我们新增了数据集和预处理的详细教程、jupyter 代码教程、pycharm 代码教程，进行了比较规范的基于 Pycharm 编辑器进行实现的代码，并且优化了训练过程的代码，请同学们更新后按照视频教程进行运行！

本期主要更新基于 Python 的凯斯西储大学（CWRU）轴承数据解读与分类处理！我们新增了数据集和预处理的详细教程、jupyter 代码教程、pycharm 代码教程，进行了比较规范的基于 Pycharm 编辑器进行实现的代码，并且优化了训练过程的代码，请同学们更新后按照视频教程进行运行！

本期继续分享一篇Nature communicationTop论文公开锂离子电池数据，划重点-数据集开源，代码开源！！！

本期我们继续更新预测合集：新增马里兰大学(CALCE)的锂电池寿命数据集相关预测模型，提供LSTM、CNN、GRU、TCN、Transformer、CNN-Transformer、CNN-LSTM等系列预测模型全家桶：