当前位置：首页 > news >正文

不完备数据滚动轴承深度故障诊断【附代码】

news 2026/4/29 1:38:43

✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导，毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码
✅如需沟通交流，查看文章底部二维码

（1）幽灵模块与坐标注意力优化的轻量级CNN：

针对实际故障诊断中模型参数量大、推理速度慢的问题，提出一种基于幽灵模块和坐标注意力的轻量级网络。幽灵模块将标准卷积分为两部分：一部分生成少量内在特征图，另一部分通过廉价线性变换（深度卷积）生成更多冗余特征图，从而大幅减少参数。同时，在幽灵瓶颈结构中引入坐标注意力，该注意力不仅考虑通道间关系，还捕获空间位置的方向感知信息，更适合轴承信号的局部特征。设计自适应加权模块对卷积过程中不同阶段的特征进行动态权重调整，加速网络收敛。在CWRU数据集上，该方法平均准确率比先进算法高出4%，参数量仅为传统CNN的1/5。

（2）GADF变换与条件生成对抗网络的小样本数据增强：

针对小样本问题，提出将一维振动信号通过格拉姆角差场变换转换为二维图像，并利用条件生成对抗网络生成新样本。格拉姆角差场通过计算不同时间点之间的角度差，将时序相关性编码为图像中的像素关系，相比直接使用原始信号保留了更丰富的结构信息。生成对抗网络以故障类别标签为条件，生成指定类别的GADF图像，并采用WGAN-GP损失和动态坐标注意力以增强生成质量。实验表明，该方法在每类仅10个样本的条件下，分类准确率仍能达到93%以上。

（3）双向Transformer与正交约束损失：

设计了一个双向Transformer编码器，能够同时考虑过去和未来的上下文信息，适合短时振动信号。在特征提取后，施加正交约束损失，使得不同类别的特征向量尽可能正交，类内特征紧凑。该方法在变转速和噪声环境下具有良好鲁棒性，准确率可达99%。

import torch import torch.nn as nn import torch.nn.functional as F import numpy as np # 幽灵瓶颈模块 class GhostBottleneck(nn.Module): def __init__(self, in_ch, out_ch, stride=1): super().__init__() self.conv = nn.Conv2d(in_ch, out_ch//2, 1, bias=False) self.ghost = nn.Conv2d(out_ch//2, out_ch//2, 3, padding=1, groups=out_ch//2, bias=False) self.shortcut = nn.Conv2d(in_ch, out_ch, 1, stride) if in_ch != out_ch else nn.Identity() self.ca = CoordAttention(out_ch) def forward(self, x): x1 = self.conv(x) x2 = self.ghost(x1) out = torch.cat([x1, x2], dim=1) out = self.ca(out) return out + self.shortcut(x) class CoordAttention(nn.Module): def __init__(self, in_ch): super().__init__() self.pool_h = nn.AdaptiveAvgPool2d((None, 1)) self.pool_w = nn.AdaptiveAvgPool2d((1, None)) self.conv = nn.Conv2d(in_ch, in_ch//32, 1) def forward(self, x): b,c,h,w = x.shape x_h = self.pool_h(x).permute(0,1,3,2) # (b,c,1,w) -> (b,c,w,1) x_w = self.pool_w(x) y = torch.cat([x_h.squeeze(3), x_w.squeeze(2)], dim=2) y = self.conv(y.unsqueeze(3)).squeeze(3) # ，实际需分离再sigmoid return x # GADF变换 def gadf_transform(signal): # 归一化到[-1,1] sig_norm = (signal - signal.min()) / (signal.max() - signal.min()) * 2 - 1 phi = np.arcsin(sig_norm) G = np.outer(np.sin(phi), np.sin(phi)) + np.outer(np.cos(phi), np.cos(phi)) return G # 双向Transformer class BiTransformer(nn.Module): def __init__(self, d_model=128, nhead=4): super().__init__() self.encoder = nn.TransformerEncoder( nn.TransformerEncoderLayer(d_model, nhead, batch_first=True), num_layers=3 ) self.fc = nn.Linear(d_model, 10) def forward(self, x): # x: (B, seq, feat) x = self.encoder(x) return self.fc(x.mean(dim=1)) # 正交约束损失 def ortho_loss(features, labels): # features: (B, D), labels: (B) class_centers = [] for c in torch.unique(labels): class_centers.append(features[labels==c].mean(0)) centers = torch.stack(class_centers) # (C, D) # 计算类间正交性，惩罚非零点积 ortho = torch.matmul(centers, centers.T) diag = torch.eye(len(centers), device=centers.device) loss = (ortho * (1-diag)).norm() return loss ",

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇

查看全文

http://www.jsqmd.com/news/716699/