暴力涨点！全篇创新点！顶刊算法魔改+超强多模态模型 1D-2D-GASF-CNN-GRU-AT多通道图像时序融合的故障识别程序

适用平台：Matlab2023版及以上

基于改进雪消融算法GVSAO优化的1D-2D-GASF-CNN-GRU-MSA多通道图像时序融合的多模态故障识别模型

参考文献一：中文EI期刊《电力自动化设备》网络首发文献：《基于格拉姆角场与并行CNN的并网逆变器开关管健康诊断》

参考文献二：于2023年6月发表在SCI、中科院1区顶级期刊《Expert Systems With Applications》上。该算法刚刚提出，目前还没有套用这个算法的文献！

上述两篇文献均为顶级期刊在近期发表的论文，我们将上述两篇文献进行结合，并作出多重改进，提出基于改进雪消融算法GVSAO优化的1D-2D-GASF-CNN-GRU-MSA多通道图像时序融合的多模态故障识别模型，十三重创新，可谓全文都是创新点，支撑一篇高水平学术论文绰绰有余！下面进行详细介绍。

文献解读一：这篇文献中，首先，采集一维故障电压与电流信号的时序序列；其次，利用格拉姆角场对其进行变换，将两种一维时序信号转化为格拉姆角场，最后，将生成的两组图像同时送入CNN进行并行学习训练，实现逆变器故障诊断。格拉姆角场的原理可以点击此处查阅往期推文，此处不再赘述。

文献二解读：这篇论文提出了一种新颖的元启发式算法，命名为雪消融优化（Snow Ablation Optimizer，SAO），用于数值优化和工程设计。SAO算法主要模拟雪的升华和融化行为，以在解空间中实现开发和探索之间的权衡，并避免过早的收敛。

通过使用29个典型的CEC2017无约束基准问题和22个CEC2020真实约束的优化问题进行验证，还与传统的AO、MVO、EO、AVOA、HHO、PSO-sono、SHADE、LSHADE-SPACMA，验证了SAO的优化能力。此外，为了进一步验证其优势，作者还将SAO应用于提取光伏系统的核心参数。结果表明，开发的SAO比其他先进的优化方法表现更好。

基于改进雪消融算法GVSAO优化的1D-2D-GASF-CNN-GRU-MSA多通道图像时序融合的多模态故障识别模型

基于文献一的模型改进：我们提出的模型在上述模型基础上作出多重改进：采用双支路结构，仅需原始故障波形数据，即可根据波形数据，将一维序列转化为二维格拉姆角场图像。①一路为图像输入经CNN提取格拉姆角场图像特征，②另一路为故障波形直接输入经GRU提取时序特征，高维图像特征和一维时序特征融合。③融合多头注意力机制（Multihead Self-Attention，MSA）有效把握提取特征的贡献程度，将特征进行重点强化，提高故障识别的准确率，并计算精确度、召回率、精确率、F1分数等评价指标。此部分故障识别模型如下：

基于文献二雪消融算法改进GVSAO：

①改进点一：佳点集是由我国数学家华罗庚等提出，其原理为均匀分布初始搜索个体，在初始化过程中可增加种群的多样性，有利于摆脱局部最值的吸引。

②改进点二：大量文献采用的传统改进策略，例如：混沌映射、柯西变异、高斯变异、随机游走、差分变异、反向学习、莱维飞行等等。然而，这些策略已经被过度使用，司空见惯，难以产生新颖的效果，导致文章缺乏独特性。本文采用的周期振荡突变策略较为罕见，在不增加计算负担的情况下显著提高了模型的收敛速度，为文章注入了极高创新性。

GVSAO算法的创新点主要体现在以下6个方面：

• 佳点集初始化策略：在初始化过程中，种群均匀分布，可增加种群的多样性，有利于摆脱局部最值的吸引。

• 双重种群机制：SAO算法引入双重种群机制，将种群分为两个子群，分别负责探索和利用，以实现在解决方案空间中的平衡。

• 布朗运动探索策略：在探索阶段，算法采用布朗运动模拟蒸汽的不规则运动，使搜索个体具有高度分散的特征，从而探索潜在区域。

• 度日法利用策略：在利用阶段，SAO采用度日法模拟雪融过程，鼓励搜索个体在当前最佳解决方案附近寻找高质量解。

• 整体位置更新方程：SAO算法采用一种整体位置更新方程，结合探索和利用策略，以及种群动态变化，优化每个个体的位置。

• 周期振荡突变策略：设计这种突变策略的目的是抓住收敛的大趋势，从局部陷阱中逃脱并获得正确的搜索模式。

结合上述2篇文献的改进模型：改进雪消融算法GVSAO对多模态模型中的难以确定的学习率、CNN图像特征提取支路卷积核大小、GRU时序特征提取支路中神经元的数量进行寻优，使得模型的架构更加合理，加快了模型的收敛速度，提高了故障识别精度。基于改进雪消融算法GVSAO优化的1D-2D-GASF-CNN-GRU-MSA多通道图像时序融合的多模态故障识别模型结构如下图所示。

多模态模型的七重创新点：

1、多模态融合：将一维时序信号和二维图像融合，可以综合利用不同模态的信息，从而更全面地描述数据的特征。这有助于提取更丰富、更有区别性的特征，从而提高分类和识别的准确性。

2、时序信息捕获：GRU（门控循环单元）是一种适用于时序数据的循环神经网络，它能够捕获一维时序信号中的动态变化和趋势。通过将GRU与CNN结合，算法可以同时考虑时序特征和空间特征，进一步提升了算法的性能。

3、空间特征学习：CNN（卷积神经网络）在图像处理中表现出色，能够有效地学习图像的空间特征和局部模式。将CNN用于图像数据的处理可以帮助提取图像的纹理、形状和边缘等特征，有助于更准确地进行分类和故障识别。

4、融合优势：通过融合不同模态的信息，算法可以弥补一维时序信号和二维图像各自的局限性。例如，图像可能对于某些故障模式更敏感，而时序信号则对于其他模式更敏感。将它们结合起来，可以增强算法的鲁棒性和泛化能力。

5、多头自注意力机制：融合多头注意力机制有效把握提取特征的贡献程度，将特征进行重点强化，提高故障识别的准确率。

6、提高泛化能力：多模态融合可以帮助算法更好地理解数据的本质特征，从而减少过拟合的风险，提高算法在新数据上的泛化能力。

7、GVSAO超参数优化：改进雪消融算法GVSAO对多模态模型中的难以确定的学习率、CNN卷积核大小、GRU神经元的数量进行寻优，优化模型架构，加快了模型的收敛速度，提高了故障识别精度。

上述多模态模型、GVSAO超参数优化模型，共计十三重创新点，可谓全篇都是创新点，你在担心论文没有创新吗？

适用领域：适用于各种数据分类场景，如滚动轴承故障、变压器油气故障、电力系统输电线路故障区域、绝缘子、配网、电能质量扰动，等领域的识别、诊断和分类。

直接替换数据就可以，使用Excel表格直接导入，不需要对程序大幅修改。程序内有详细注释，便于理解程序运行。

数据格式：一行一个样本，最后一列为样本所属的故障类型标签

程序结果：（由上述一维序列自动转化为格拉姆求和场GASF图像）

训练误差曲线的极坐标形式（误差由内到外越来越接近0）；适应度曲线（误差逐渐下降）

部分图片来源于网络，侵权联系删除！

欢迎感兴趣的小伙伴联系小编获得完整版代码哦~

关注小编会不定期推送高创新型、高质量的学习资料、文章程序代码，为你的科研加油助力!