上一期我们提出了基于 CWT + Conditional DCGAN 的故障样本生成增强方法，本期在此基础上进一步升级，构建 Conditional WGAN-GP 生成增强模型。相比 Conditional DCGAN，Conditional WGAN-GP 引入 Wasserstein 距离与梯度惩罚（Gradient Penalty, GP），能够有效缓解传统 GAN 训练中常见的梯度不稳定

本期提出一种面向风电功率预测的周期增强双图注意力模型——WFT-DualGATNet。该模型以多变量风电时间序列为输入，首先通过 WFTBlock 提取序列中的全局周期与局部波动特征，再在周期增强表示上分别构建 Feature-GAT 和 Time-GAT，从变量维度和时间维度学习风速、风向、气象因素与历史功率之间的复杂依赖关系。最终，模型融合双图注意力特征并通过预测头输出未来风电功率。

本期提出一种面向风电功率预测的高创新模型：MSD-BiGRUAttention，即：基于多尺度分解与BiGRU全局注意力机制的风电功率预测模型。该模型以多变量风电时间序列为输入，首先通过多尺度分解模块将原始序列划分为不同时间粒度的 temporal patterns；随后，为每个尺度构建独立的 BiGRU-GlobalAttention 分支，用于提取不同尺度下的双向时序动态特征；最后，通过尺度注

本文基于前期介绍的电力变压器（文末附数据集），介绍一种基于VMD+CEEMDAN二次分解的TCN-Transforme预测模型，以提高时间序列数据的预测性能。

本期我们基于 PHM2012 挑战赛滚动轴承全寿命数据，推出基于 Python 的轴承寿命预测模型合集：LSTM、CNN、GRU、TCN、Transformer、CNN-LSTM、CNN-Transformer、Transformer-BiLSTM等系列预测模型全家桶，并提供丰富的实验和解说

针对传统诊断方法对信号特征提取依赖强且准确率有限的问题，本期基于凯斯西储大学（CWRU）轴承数据集，实现基于 Python-Pytorch 框架多尺度卷积神经网络的1维信号处理模型——MSCNN-1D，完成轴承振动信号的高效准确诊断。并更新在轴承故障诊断全家桶中，请同学们更新后按照视频教程进行运行学习！

本期更新推出一种基于连续小波变换（Continuous Wavelet Transform, CWT）与VGG模型的时间序列预测方法，将传统时频分析技术与深度学习相结合，有效解决了复杂时间序列的建模难题。通过将一维时序信号转换为二维时频图像，充分利用卷积神经网络（CNN）对图像特征的强大提取能力，在保证时序局部特征的同时，显著提升模型对非平稳信号的适应性。

本期主要更新故障诊断全家桶，围绕 EMD 分解 + 深度学习分类模型这一技术路线，补充并整理了一组具有代表性的对比模型，包括：EMD-LSTMEMD-CNNEMD-CNN-LSTM（串联）EMD-CNN-GRU（并联）EMD-CNN-Transformer

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！！！

卷积网络的根本价值，不只是“能做图像分类”，而是它把视觉任务中最核心的结构性先验直接写进了模型：局部感受野、参数共享、层级特征提取、一定程度的平移鲁棒性。