油动机液压系统异常检测与轻量化故障诊断【附代码】

✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。

✅成品或者定制，扫描文章底部微信二维码。

(1)多尺度残差特征提取与遗传优化异常检测

油动机液压系统作为汽轮机调节核心部件,其运行状态直接影响机组安全,传统阈值检测方法依赖人工设定,难以适应工况变化,基于深度学习的异常检测通过学习正常状态的特征分布边界,实现自适应异常识别。一维残差网络通过跨层连接缓解梯度消失,但单一卷积核尺寸限制了多尺度特征提取能力,改进的多尺度残差网络在残差块中并行使用不同尺寸卷积核,同时捕获局部细节和全局趋势特征。

支持向量数据描述通过寻找包含正常样本的最小超球,将落在超球外的样本判定为异常,但超球半径和惩罚参数对检测性能影响显著,遗传算法模拟生物进化过程,通过选择、交叉和变异操作在参数空间中搜索最优解,相比网格搜索效率更高,将多尺度残差网络提取的高维特征输入GA优化的SVDD,实现端到端异常检测,在调门油动机振动信号上达到99.44%准确率。

针对多源压力信号融合后的高维问题,主成分分析通过线性变换将高维数据投影到低维主成分空间,保留最大方差方向的信息,但传统PCA无法评估降维后特征对异常检测任务的贡献度,包裹式特征选择通过将降维算法与分类器性能联合优化,迭代搜索最优特征子集,结合SVDD负例样本策略,利用少量已知异常样本调整超球边界,提升对新型异常的敏感性,最终将检测准确率提升至100%。

(2)生成对抗网络数据增强与迁移学习跨工况诊断

小样本条件下深度模型容易过拟合,生成对抗网络通过生成器和判别器的对抗博弈,学习数据分布并生成逼真样本,Wasserstein距离替代传统JS散度作为判别器损失,解决梯度消失和模式崩溃问题,将生成器的Tanh激活函数移至判别器首部,使生成器能够输出任意范围的数值,避免归一化预处理的信息损失,在判别器末端添加Sigmoid激活函数,输出样本真实性概率,便于训练稳定性监控。

通过生成对抗网络扩充小样本数据集,使ResNet18诊断准确率提升6.3%,但生成样本质量受源域数据分布影响,迁移学习通过复用源工况预训练模型的知识,加速目标工况模型收敛,挤压激励网络通过全局平均池化和全连接层学习通道注意力权重,自适应强化重要特征通道,抑制冗余通道,增强模型判别能力,采用参数微调策略,冻结底层卷积参数仅训练顶层分类器,或采用小学习率全局微调,在轴向柱塞泵跨工况诊断中验证了有效性。

(3)双模态融合网络与轻量化模型边缘部署

单模态信号受传感器局限性影响,振动信号对机械故障敏感,压力信号反映液压系统动态特性,双模态融合通过互补信息提升诊断可靠性,并行分支结构为每种模态配备独立的ResNet18特征提取器,保留模态特有信息,拼接层融合双模态特征后输入分类器,实现端到端训练,在充足样本条件下达到100%诊断准确率,训练曲线更平滑,泛化性能更强。

import numpy as np import torch import torch.nn as nn class ImprovedWGAN(nn.Module): def __init__(self, latent_dim=100, signal_length=1024): super(ImprovedWGAN, self).__init__() self.generator = nn.Sequential( nn.Linear(latent_dim, 256), nn.BatchNorm1d(256), nn.ReLU(), nn.Linear(256, 512), nn.BatchNorm1d(512), nn.ReLU(), nn.Linear(512, signal_length) ) self.discriminator = nn.Sequential( nn.Tanh(), nn.Linear(signal_length, 512), nn.LeakyReLU(0.2), nn.Linear(512, 256), nn.LeakyReLU(0.2), nn.Linear(256, 1), nn.Sigmoid() ) def forward_generator(self, z): return self.generator(z) def forward_discriminator(self, x): return self.discriminator(x) class SEResNet1D(nn.Module): def __init__(self, num_classes=4): super(SEResNet1D, self).__init__() self.conv1 = nn.Conv1d(1, 64, kernel_size=7, stride=2, padding=3) self.bn1 = nn.BatchNorm1d(64) self.relu = nn.ReLU() self.se_block = nn.Sequential( nn.AdaptiveAvgPool1d(1), nn.Flatten(), nn.Linear(64, 16), nn.ReLU(), nn.Linear(16, 64), nn.Sigmoid() ) self.fc = nn.Linear(64, num_classes) def forward(self, x): out = self.relu(self.bn1(self.conv1(x))) se_weight = self.se_block(out).unsqueeze(2) out = out * se_weight out = torch.mean(out, dim=2) return self.fc(out) X_source = np.random.randn(100, 1024) y_source = np.random.randint(0, 4, 100) X_target = np.random.randn(20, 1024) model_se = SEResNet1D(num_classes=4) print(f"SEResNet1D model created with {sum(p.numel() for p in model_se.parameters())} parameters")

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇