适用平台：Matlab 2023及以上

内容：

1.一份Excel格式的故障数据集

2.一份包含马尔科夫转移场(MTF)的时序转图像程序

3.一份分辨率修改程序

4.一份CNN-Attention故障诊断程序。

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。

本程序参考中文EI期刊《电网技术》网络首发文献：《基于马尔可夫转换场与多头注意力机制的电能质量扰动分类方法》，程序注释清晰，干货满满，下面对文章和程序做简要介绍！

文献创新点：这篇文献的创新点在于马尔可夫场（MTF）与卷积神经网络（CNN）相结合，融入多头注意力机制，实现故障分类。MTF将一维信号转换为二维特征图，而CNN可以对这些特征图进行自适应的特征提取和分类，融合多头注意力机制有效把握提取特征的贡献程度，实现了故障的准确分类。

故障识别流程：

原理：马尔可夫转换场(Markov transition field， MTF)是一种将时序数据转化为空间图像数据的方法​，该方法扩展了马尔可夫状态转移矩阵，通过顺序表达状态转移矩阵，充分保留了离散化时域动态信息，最终利用模糊内核聚合生成二维图像。以电压正弦信号为例，MTF示意图如下图所示。​

MTF-CNN-Attention进行故障识别的方法具有几个创新性的方面：

数据表示的创新：通常，一维序列（如时间序列数据）直接用于建模和分析。将这些序列转化为马尔可夫场图像，实际上是一种新的数据表示方法。这种转换可能揭示出序列数据中的新模式和结构特征，这些在原始一维形式中可能不那么明显或难以检测。比传统的时序分析方法更有效地捕捉复杂的模式和异常。

图像处理技术：通过将序列数据转化为图像，可以利用成熟的图像处理技术和图像识别算法来分析数据。这包括使用各种图像识别方法，如卷积神经网络（CNN），这些方法在图像分析领域已被证明非常有效，但在传统的序列数据分析中不常见。

捕捉时间依赖性：马尔可夫场是一种数学模型，用于表示随机变量之间的依赖关系。在将序列数据转化为马尔可夫场图像时，可以以图像的形式捕捉时间序列中的时间依赖性和动态变化，这为理解和识别时间序列中的故障模式提供了新的视角。

​多头注意力机制：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。

程序套用：马尔可夫转换场（MTF）将一维时序生成二维图像，再用CNN提取图像的高维特征，利用多头自注意力机制（Multihead Self-Attention）将特征进行重点强化，提高故障识别的准确率。

输入数据格式：（一行一个样本，最后一列表示故障所属类别标签）

由上面的数据生成MTF图像生成：

识别结果：（训练集和测试集的混淆矩阵）

训练集和测试集的散点图：

训练曲线：准确率和损失变化图