当前位置：首页 > news >正文

基于动态加权的多尺度残差网络旋转机械故障诊断算法针对传统的机械故障诊断方法特征提取困难问题

news 2026/3/27 2:40:47

基于动态加权的多尺度残差网络旋转机械故障诊断算法针对传统的机械故障诊断方法特征提取困难问题，提出一种新颖的基于特征通道重标定的动态加权多尺度残差网络旋转机械故障诊断方法。将原始数据作为网络的输入宽卷积层进行信息初步融合扩大模型的感受野；再分别构建三个独立的以残差块为基础的并行分支网络，通过设计多尺度卷积核分别从并行分支网络提取深度特征；接着设计动态加权层建立全局信息建模特征通道之间的动态非线性关系，对每个尺度的特征通道进行重标定，提高网络对故障信息的敏感性；将三个尺度的特征进行特征融合，通过分类器实现故障诊断。在多个数据集上进行试验，验证了算法有效性。参考文献：2022年振动与冲击EI《基于动态加权的多尺度残差网络旋转机械故障诊断算法》 ●数据预处理：支持1维原始数据 ●网络模型：DWMRNet、AlexNet、CNN ●数据集：西储大学CWRU、德国帕德博恩PU、河内大学2023轴承数据HUST ●网络框架：pytorch ●结果输出：损失曲线图、准确率曲线图、混淆矩阵、tsne图 ●准确率：测试集97%以上 ●使用对象：初学者 ●代码保证：故障诊断代码注释详细、即拿即可跑通。

旋转机械故障诊断是工业领域中的一个关键问题，尤其是在现代制造业中，设备的稳定运行直接关系到生产效率和安全性。传统的故障诊断方法通常依赖于人工提取特征，但这种方法不仅耗时，而且在复杂工况下效果有限。近年来，深度学习技术的快速发展为这一领域带来了新的解决方案。今天，我将详细介绍一种基于动态加权的多尺度残差网络（DWMRNet）的故障诊断算法，并穿插一些代码示例，帮助大家更好地理解其实现过程。

1. 背景与问题

旋转机械（如电机、轴承等）在运行过程中会产生振动信号，这些信号中包含了设备健康状态的重要信息。然而，如何从这些信号中提取有效的特征一直是研究的重点和难点。传统的故障诊断方法，如基于时域、频域或时频域的分析，往往需要依赖专家经验，且在复杂工况下表现不佳。

深度学习的出现为这一问题提供了新的思路。通过构建深度神经网络，我们可以自动提取信号中的深层特征，从而提高诊断的准确率。然而，如何设计一个有效的网络结构仍然是一个挑战。

2. 算法设计思路

DWMRNet的核心思想是通过多尺度卷积和动态加权机制，提取和融合不同尺度的特征，从而提高模型对故障信息的敏感性。具体来说，算法主要包括以下几个步骤：

输入层：将原始一维振动信号作为输入，通过宽卷积层进行初步信息融合，扩大模型的感受野。
多尺度残差块：构建三个并行的残差块，分别使用不同尺度的卷积核（如1x1、3x3、5x5）提取不同尺度的特征。
动态加权层：对每个尺度的特征通道进行动态加权，建立特征之间的非线性关系，进一步增强模型的表达能力。
特征融合：将不同尺度的特征进行融合，最后通过分类器完成故障诊断。

3. 代码实现

接下来，我将通过代码示例来详细讲解DWMRNet的实现过程。为了方便读者理解，代码将分为几个部分进行讲解。

3.1 数据预处理

DWMRNet支持一维原始数据作为输入，因此数据预处理部分相对简单。我们可以直接加载振动信号数据，并将其转换为适合网络输入的格式。

import numpy as np import torch from torch.utils.data import Dataset, DataLoader class BearingDataset(Dataset): def __init__(self, data_path, label_path): self.data = np.load(data_path) self.labels = np.load(label_path) def __len__(self): return len(self.data) def __getitem__(self, idx): data = self.data[idx] label = self.labels[idx] return torch.FloatTensor(data), torch.LongTensor([label])

3.2 网络结构

接下来是网络结构的实现。DWMRNet的核心是多尺度残差块和动态加权层。

import torch import torch.nn as nn import torch.nn.functional as F class ResidualBlock(nn.Module): def __init__(self, in_channels, out_channels, kernel_size): super(ResidualBlock, self).__init__() self.conv1 = nn.Conv1d(in_channels, out_channels, kernel_size, padding=kernel_size//2) self.conv2 = nn.Conv1d(out_channels, out_channels, kernel_size, padding=kernel_size//2) self.relu = nn.ReLU() def forward(self, x): out = self.relu(self.conv1(x)) out = self.conv2(out) return self.relu(out + x) class DynamicWeightLayer(nn.Module): def __init__(self, in_channels): super(DynamicWeightLayer, self).__init__() self.fc = nn.Linear(in_channels, in_channels) def forward(self, x): weights = F.softmax(self.fc(x.mean(dim=2)), dim=1) return x * weights.unsqueeze(2)

3.3 整体网络

将上述模块组合起来，形成完整的DWMRNet。

class DWMRNet(nn.Module): def __init__(self, num_classes): super(DWMRNet, self).__init__() self.conv_input = nn.Conv1d(1, 64, kernel_size=7, padding=3) self.res_block1 = ResidualBlock(64, 64, 3) self.res_block2 = ResidualBlock(64, 64, 5) self.res_block3 = ResidualBlock(64, 64, 7) self.dynamic_weight = DynamicWeightLayer(64) self.fc = nn.Linear(64, num_classes) def forward(self, x): x = self.conv_input(x) x1 = self.res_block1(x) x2 = self.res_block2(x) x3 = self.res_block3(x) x = torch.cat([x1, x2, x3], dim=1) x = self.dynamic_weight(x) x = F.avg_pool1d(x, kernel_size=x.size(2)) x = x.view(x.size(0), -1) x = self.fc(x) return x

4. 实验结果

在实验中，我们使用了三个公开数据集：西储大学CWRU、德国帕德博恩PU和河内大学2023轴承数据HUST。实验结果表明，DWMRNet在测试集上的准确率达到了97%以上，显著优于传统的CNN和AlexNet模型。

4.1 损失曲线与准确率曲线

通过绘制训练过程中的损失曲线和准确率曲线，我们可以直观地观察模型的收敛情况。

import matplotlib.pyplot as plt train_loss = [1.2, 0.8, 0.5, 0.3, 0.2] val_loss = [1.5, 0.9, 0.6, 0.4, 0.3] train_acc = [0.7, 0.8, 0.85, 0.88, 0.9] val_acc = [0.65, 0.75, 0.8, 0.83, 0.85] plt.figure(figsize=(12, 4)) plt.subplot(1, 2, 1) plt.plot(train_loss, label='Training Loss') plt.plot(val_loss, label='Validation Loss') plt.legend() plt.subplot(1, 2, 2) plt.plot(train_acc, label='Training Accuracy') plt.plot(val_acc, label='Validation Accuracy') plt.legend() plt.show()

4.2 混淆矩阵与t-SNE图

混淆矩阵可以帮助我们了解模型在不同类别上的表现，而t-SNE图则可以直观地展示数据的分布情况。

from sklearn.metrics import confusion_matrix from sklearn.manifold import TSNE import seaborn as sns # 假设我们已经得到了模型的预测结果和真实标签 y_true = [0, 0, 1, 1, 2, 2, 3, 3] y_pred = [0, 1, 1, 0, 2, 2, 3, 2] cm = confusion_matrix(y_true, y_pred) plt.figure(figsize=(6, 6)) sns.heatmap(cm, annot=True, fmt='d') plt.xlabel('Predicted') plt.ylabel('True') plt.show() # t-SNE降维 tsne = TSNE(n_components=2) X_embedded = tsne.fit_transform(features) plt.scatter(X_embedded[:, 0], X_embedded[:, 1], c=labels) plt.show()