Transformer能预测振动吗？

高精度的时间序列振动预测是电动汽车（EVs）的一个重要研究问题。电动汽车在崎岖地形上行驶时经常经历振动，这被称为扭转共振。这种由电机振动与轮胎振动之间相互作用引起的共振，给车辆的传动轴带来了过大的负载。然而，当前的减振技术仅在传动轴扭矩的振动幅度达到一定阈值后才检测到共振，导致在检测时轴上已承受显著负载。在本研究中，我们提出了一种解决此问题的新方法，引入了 Resoformer，一种用于预测扭转共振的基于 Transformer 的模型。Resoformer 利用电机转速的时间序列作为输入，并预测输入序列之后轴上发生的指定分位数处的扭转振动幅度。通过计算从测量数据点中提取的递归特征和卷积特征之间的注意力，Resoformer 提高了振动预测的准确性。为了评估该模型，我们使用了一个名为 VIBES（电动汽车振动过渡预测数据集）的振动数据集，包含 2,600 个由模拟器生成的振动序列。我们在基于 VIBES 数据集构建的强基线上进行的实验表明，Resoformer 取得了 SOTA 结果。总之，我们的研究回答了“Transformer 能预测振动吗？”这一问题。虽然传统的 Transformer 架构在预测扭转共振波方面表现不佳，但我们的研究结果表明，利用 Transformer 架构结合循环神经网络和时间卷积网络可提高长期振动预测的准确性。