Transformer模型以其卓越的时序特征提取能力在自然语言处理领域大放异彩。在轴承故障识别中,Transformer编码器层可以有效地捕捉时域信号的长期依赖关系,进一步提取信号中的时序特征。 5. CrossAttention特征融合 交叉注意力机制(CrossAttention)是Transformer架构中的一项关键技术,用于融合不同来源的特征信息。在轴承故障识别模型...
在每个decoder层中,采样得到的图像特征通过attention-like的操作[1]或者dynamic mixing[2]融合进输入的queries中,这些queries也作为下一层的输入或者解码为目标预测结果。在训练过程中需要one-to-one标签分配策略(即每个GT只分配给一个预测目标),也就是二分匹配来给每个decoder层提供监督。 但是这样one-to-one的标签...
交叉注意力融合时域、频域特征故障识别模型 | 本文基于凯斯西储大学(CWRU)轴承数据,进行快速傅里叶变换(FFT)的介绍与数据预处理,最后通过Python实现基于FFT的CNN-Transformer-CrossAttention模型对故障数据的分类。凯斯西储大学轴承数据的详细介绍可以参考下文: