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。

本期推出一种基于 1D-GRU+2D-GADF-SwinTransformer-CBAM 的并行多模态融合分类模型，在故障诊断任务上效果显著！

本期推出一种基于 1D-GRU+2D-MTF-ResNet-CBAM 的多模态融合分类模型，在故障诊断任务上效果显著！

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!

多源信息融合的滚动轴承故障诊断是一种结合来自多个传感器或信号源的信息，以提高故障检测和诊断准确性的方法。在滚动轴承故障诊断领域，多源信息融合已被广泛应用以提升诊断的准确性和鲁棒性。本期主要更新基于 Python 的东南大学轴承故障数据集+WDCNN 分类模型教程！新增 pycharm 代码教程！

本期推荐10个精品高创新模型，涉及创新预处理方法、时频图像、多模态融合等方向并结合顶会论文，模块丰富，创新度高，性能优越！在故障诊断等信号分类任务上效果显著！

本期基于东南大学齿轮箱故障数据集，提出一种结合马尔科夫转移场（Markov Transition Field, MTF）与融合SwinTransformer和Informer的多模态故障诊断创新模型。创新性地解决了齿轮箱故障信号诊断中的信息表达与特征挖掘难题，实现了高效、准确且鲁棒的故障诊断性能。此方法为机械故障诊断领域提供了一条全新的多模态融合思路，拓展了深度学习在工业智能维护中的应用边界。

在小样本故障诊断任务中，最常见的难题不是模型不够复杂，而是类别极不平衡：正常样本数量充足，而故障样本尤其是细粒度故障类别样本极少，导致模型在训练时容易偏向多数类，在测试时则对少数类识别失稳。本期提出创新模型：首先将一维振动信号转换为连续小波变换（Continuous Wavelet Transform, CWT）时频图；随后针对少数类样本，构建条件深度卷积生成对抗网络（Conditional De