航空发动机气路故障智能诊断系统研究 摘要：本研究提出了一套基于CNN-LSTM混合深度学习模型的航空发动机气路故障诊断系统。系统针对五种常见故障类型（叶片磨损、积碳、泄漏等），通过分析多维度传感器数据（压力、温度、转速等20+特征参数）实现智能诊断。创新性地结合了CNN的局部特征提取能力和LSTM的时序建模优势，采用标准化、PCA降维等技术优化数据预处理流程。实验结果表明，该系统具有较高的诊断准确

本文基于SOLETE光伏数据集，采用深度学习模型进行光伏发电预测。研究对比了LSTM、GRU、CNN-LSTM、CNN-GRU和LSTM-Transform五种模型，使用历史6个时间点的特征数据预测下一个时间点的发电量。实验结果表明，LSTM-Transform模型表现最优（MAE:15.90%，MSE:0.1385%，MAPE:39.74%），其次是CNN-LSTM。研究提供了完整的系统界面设计

本文介绍了一个基于MSCNN-BiGRU-Attention深度学习模型的轴承故障诊断系统。该系统使用江南大学提供的轴承数据集（采样频率50kHz，转速600-1000rpm），将原始数据切割为1024点/样本进行处理。系统包含训练代码(code600.py)、GUI界面(GUI.py)和模型文件(mscnn-bigru-attention.py)，可实现时域/频域分析、故障诊断等功能。实验在三种

【摘要】本文介绍了一个基于Python开发的轴承故障诊断系统，该系统整合了信号处理与深度学习技术。系统包含三大核心模块：时域分析模块提供11项信号特征提取与可视化；故障诊断模块集成CNN、MLP和CNN-LSTM三种深度学习模型，支持多转速工况下的故障分类；使用说明模块提供操作指南。系统专为CWRU轴承数据集优化，具备自动信号处理、多维度评估和交互式界面功能，适用于工业预测维护、学术研究和教学演示

2010年PHM大赛刀具磨损数据集包含三组训练数据(c1,c4,c6)和三组测试数据(c2,c3,c5)，采集了X/Y/Z三轴切削力和振动数据(50kHz/通道)以及声发射信号，记录了10400RPM转速下的加工参数。NASA提供的补充数据集包含16种工况的磨损数据，涉及主轴电流、振动、声发射等特征，并标注了后刀面磨损量(VB)。两组数据均适用于刀具状态监测、故障诊断和剩余寿命预测算法的开发研究。

【摘要】本文介绍了一个基于Python开发的轴承故障诊断系统，该系统整合了信号处理与深度学习技术。系统包含三大核心模块：时域分析模块提供11项信号特征提取与可视化；故障诊断模块集成CNN、MLP和CNN-LSTM三种深度学习模型，支持多转速工况下的故障分类；使用说明模块提供操作指南。系统专为CWRU轴承数据集优化，具备自动信号处理、多维度评估和交互式界面功能，适用于工业预测维护、学术研究和教学演示

本文基于SOLETE光伏数据集，采用深度学习模型进行光伏发电预测。研究对比了LSTM、GRU、CNN-LSTM、CNN-GRU和LSTM-Transform五种模型，使用历史6个时间点的特征数据预测下一个时间点的发电量。实验结果表明，LSTM-Transform模型表现最优（MAE:15.90%，MSE:0.1385%，MAPE:39.74%），其次是CNN-LSTM。研究提供了完整的系统界面设计

本文基于SOLETE光伏数据集，采用深度学习模型进行光伏发电预测。研究对比了LSTM、GRU、CNN-LSTM、CNN-GRU和LSTM-Transform五种模型，使用历史6个时间点的特征数据预测下一个时间点的发电量。实验结果表明，LSTM-Transform模型表现最优（MAE:15.90%，MSE:0.1385%，MAPE:39.74%），其次是CNN-LSTM。研究提供了完整的系统界面设计

摘要：该研究提供了一套手工标注的水稻病害检测数据集，包含稻瘟病、纹枯病等7种病害的5522张训练图像及对应YOLO标签，以及各378张验证集和测试集图片。数据集支持多类别病害检测，也可调整为健康/病害二分类模式。完整资源包括YOLOv8模型和数据集，相关资源可通过B站和CSDN获取。数据制作过程强调版权保护，适合目标检测任务使用。

2.抓取到的数据可以保存在本地，也会以图的形式在可视化界面进行展示，鼠标滑动就可以清楚看到每天的各项指标，不需要再借助炒股软件。3.设置了三种不同的AI模型(CNN,LSTM,CNN-LSTM),在不同模型下也可以设置不同的模型参数（不会调参的，默认参数效果也可以）4.可以对未来五天的进行预测（例如2025.8.22为周五，2025.8.23为周六，周六抓取到截至2025.8.22数据，实现显示8