1 模型創新點介紹

1.1 時序特征捕捉與建模

使用Informer的編碼器層來捕捉長故障信號時序依賴特征

• 長時間序列處理：傳統的RNN和LSTM等方法在處理長時間序列時存在計算效率低、梯度消失等問題。Informer通過改進Transformer架構，使用ProbSparse Self-Attention機制，有效地提高了計算效率，特別是對于長時間序列數據。
• 全局特征提取：通過多頭注意力機制，Informer能夠捕捉序列數據中的全局特征和長時間依賴關系，確保對故障信號的時序特征進行全面建模。

1.2 概率稀疏注意力機制（ProbSparse Self-attention）

概率稀疏自注意力是Informer模型中引入的一種稀疏自注意力機制。其核心思想是通過概率方法選擇最重要的一部分注意力權重進行計算，而忽略那些對結果影響較小的權重。這種方法能夠顯著降低計算復雜度，同時保持較高的模型性能。

• 稀疏自注意力：不同于標準 Transformer 的密集自注意力機制，Informer 引入了 ProbSparse Self-attention，通過概率抽樣機制選擇重要的 Q-K 對進行計算，減少了計算復雜度。
• 效率提升：稀疏注意力機制顯著降低了計算復雜度，從 O(L2?d) 降低到 O(L?log(L)?d)，其中 L 是序列長度，d 是每個時間步的特征維度。

1.3 多尺度特征提取-信息蒸餾

Informer的架構圖并沒有像Transformer一樣在Encoder的左邊標注來表示N個Encoder的堆疊，而是一大一小兩個梯形。橫向看完單個Encoder（也就是架構圖中左邊的大梯形，是整個輸入序列的主堆棧）。

Encoder的作用是Self-attention Distilling，由于ProbSparse自相關機制有很多都是用V的mean填充的，所以天然就存在冗余的attention sorce ,因此在相鄰的Attention Block之間應用卷積與池化來對特征進行下采樣，所以作者在設計Encoder時，采用蒸餾的操作不斷抽取重點特征，從而得到值得重點關注的特征圖。

• 多尺度時間序列特征提取：Informer 通過多尺度的方式對不同時間粒度的特征進行建模，可以更好地捕捉時間序列中的多尺度依賴關系。
• 信息蒸餾：引入了信息蒸餾機制，通過層次化的時間卷積池化層逐步縮減時間步長，提取不同尺度的特征，實現長時間依賴的高效建模。
• 卷積降維：在編碼器中使用1D卷積池化層進行降維，步長為2，使得序列長度減半，進一步減少計算復雜度。
• 信息壓縮：通過卷積池化層進行信息壓縮，將長序列信息濃縮到較短的時間步長中，從而更高效地進行時序建模。

1.4 特征增強與融合

在Informer的編碼器層結合SENet進行特征增強

• 自適應特征校準：SENet通過Squeeze-and-Excitation模塊，對每個通道的特征進行自適應權重調整，增強重要特征，抑制無關或冗余特征。這種機制可以提升模型對故障信號關鍵特征的敏感度，提高故障診斷的準確性。
• 通道間依賴建模：SENet能夠捕捉不同通道特征之間的關系，通過重新校準特征通道的權重，使得模型能夠更加有效地融合多通道信息，提升整體特征表達能力。

1.5 麻雀優化算法搜索參數

通過SSA，能夠在較大的參數空間中高效地找到最優參數組合，增強模型的診斷能力和泛化性能。

參數優化的必要性

• 參數空間復雜性：Informer-SENet模型包含多個超參數，如學習率、隱藏層維度、注意力頭數、編碼器層數等，這些參數對模型性能有顯著影響。
• 人工調參的局限性：人工調參耗時耗力，且難以保證找到全局最優參數組合。

更多詳細內容參考講解視頻！

2 軸承數據加載與預處理

2.1 導入數據

參考之前的文章，進行故障10分類的預處理，凱斯西儲大學軸承數據10分類數據集：

train_set、val_set、test_set 均為按照7：2：1劃分訓練集、驗證集、測試集，最后保存數據。

上圖是數據的讀取形式以及預處理思路。

2.2 數據預處理，制作數據集

3 麻雀優化算法

3.1 麻雀優化算法介紹

麻雀優化算法（Sparrow Search Algorithm，簡稱SSA）是一種基于自然界麻雀行為特點的優化算法，它模擬了麻雀在覓食、遷徙和社交等行為中的優化策略。該算法在解決多種優化問題方面展現出了良好的性能。

麻雀優化算法的基本思想是通過模擬麻雀的覓食行為，不斷優化搜索空間中的解。算法的過程可以分為覓食行為、遷徙行為和社交行為三個階段。

(1). 覓食行為（Foraging Behavior）：麻雀在覓食時會選擇距離較近且具有較高適應度的食物源。在算法中，解空間中的每個個體被看作是一個食物源，具有適應度評價值。麻雀通過選擇適應度較高的個體來尋找更優的解。

(2). 遷徙行為（Migration Behavior）：當麻雀在一個食物源周圍搜索一段時間后，如果沒有找到更優的解，它們會選擇離開當前食物源，前往其他食物源繼續尋找。在算法中，個體之間的位置信息會發生變化，以模擬麻雀的遷徙行為。

(3). 社交行為（Social Behavior）：麻雀在覓食時會通過與其他麻雀的交流來獲取更多的信息，從而提高自己的覓食效率。在算法中，個體之間通過交換信息來改善自身的解，并且更新解空間中的最優解。

3.2 基于Python的麻雀優化算法實現

3.3 麻雀優化算法-超參數尋優過程

麻雀優化算法具有簡單易實現、全局尋優能力和自適應性等特點，適用于解決組合優化問題。我們通過麻雀優化算法來進行Informer-SENet模型的超參數尋優。

通過設置合適的種群規模和優化迭代次數，我們在給定的超參數范圍內，搜索出最優的參數。

4 基于Pytorch的SSA-Informer-SENet創新診斷模型

4.1 定義SSA-Informer-SENet分類網絡模型

4.2 設置參數，訓練模型

50個epoch，準確率100%，SSA-Informer-SENet網絡分類效果顯著，模型能夠充分提取軸承故障信號的多尺度特征，收斂速度快，性能特別優越，效果明顯。

4.3 模型評估

準確率、精確率、召回率、F1 Score

故障十分類混淆矩陣：

其他效果展示：

（1）模型訓練可視化

（2）分類標簽可視化

（3）原始數據 t-SNE特征可視化

（4）模型訓練后的 t-SNE特征可視化：

圖片

本文轉載自 ??建模先鋒??，作者： 小蝸愛建模