适用平台：MATLAB 2023及以上

结合1D时序-2D格拉姆角场(GASF)图像多模态融合的CNN-GRU-Attention故障识别算法，基于一维时序信号和二维图像多元信息融合的卷积神经网络结门控循环单元网络融合多头自注意力机制的数据分类预测/故障识别算法。创新性极高，到手就能写。

基于一维时序、格拉姆角场(GASF)图像融合输入，结合CNN-GRU-Attention的故障分类模型。

程序介绍：采用双支路输入，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，一路为图像输入经CNN提取格拉姆角场图像特征，另一路为故障波形直接输入经GRU提取时序特征，时序高维图像特征和一维时序特征融合，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，并计算精确度、召回率、精确率、F1分数等评价指标。

内容：

1.两份Excel格式的故障数据集，分别为训练集和测试集

2.一份包含格拉姆求和场(GASF)求差场(GADF)的时序转图像及修改分辨率程序

3.一份CNN-GRU-Attention时序、图像多模态融合注意力机制输入故障诊断程序。

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。

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：序列转化为图像