卷积神经网络变转速工况轴承故障检测实现【附源码】

✨ 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多任务卷积神经网络架构针对变转速工况下轴承故障特征难以提取的问题设计一个端到端的多任务神经网络。该网络共享部分卷积层然后分为两个任务特定的全连接分支任务一进行故障存在性检测二分类任务二进行故障类型分类多分类。共享卷积层由四个卷积块组成每个块包含卷积层、批量归一化、ReLU激活和最大池化。多任务学习的优势在于故障存在性检测作为辅助任务可以引导共享层学习更通用的特征表示避免过拟合。同时两个任务的损失函数加权求和进行联合优化。实验表明多任务网络在变转速500rpm到3000rpm测试集上的准确率比单任务分类网络高出8.5%达到96.4%。2双框架孪生网络的无监督跨域故障诊断在目标域数据完全无标签的情况下提出双框架孪生网络。该网络包含两个相同的子网络共享权重输入分别为源域样本和目标域样本。通过对比两者的特征相似度实现无监督迁移。具体地对于源域每个样本在目标域中寻找其最近邻和次近邻设计三元组损失使源域样本与目标域正例的距离小于与负例的距离。同时加入对抗域判别器使得源域和目标域的特征分布尽可能接近。整个网络无需目标域标签即可学习到跨域不变特征。在CWRU到PU的跨域任务中源域有标签目标域无标签该方法达到92.7%的准确率显著优于传统方法75%左右。3轴承故障诊断智能分析软件开发基于上述算法开发了一套智能分析软件。软件集成了数据导入支持多种格式的振动信号、预处理重采样、滤波、归一化、特征可视化t-SNE降维展示特征分布、模型训练支持多任务和孪生网络、在线诊断实时读取数据流给出诊断结果等功能。软件采用模块化设计用户可通过图形界面选择不同算法。在变转速场景下软件能够实时显示当前转速估计值和轴承健康状态。对于无标签的目标域数据用户可使用无监督模式进行聚类分析自动发现潜在故障类型。软件在多个轴承数据集上验证诊断速度达到每秒200个样本为工业现场提供了便捷的智能诊断工具。import torch import torch.nn as nn import torch.nn.functional as F # 1. 多任务网络 class MultiTaskCNN(nn.Module): def __init__(self, num_classes): super().__init__() # 共享卷积层 self.shared nn.Sequential( nn.Conv1d(1, 32, kernel_size3, padding1), nn.BatchNorm1d(32), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(32, 64, kernel_size3, padding1), nn.BatchNorm1d(64), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(64, 128, kernel_size3, padding1), nn.BatchNorm1d(128), nn.ReLU(), nn.MaxPool1d(2), nn.AdaptiveAvgPool1d(4) ) self.flatten nn.Flatten() # 任务1: 故障存在性检测 (二分类) self.task1_fc nn.Sequential( nn.Linear(128*4, 64), nn.ReLU(), nn.Dropout(0.5), nn.Linear(64, 2)) # 任务2: 故障类型分类 (多分类) self.task2_fc nn.Sequential( nn.Linear(128*4, 64), nn.ReLU(), nn.Dropout(0.5), nn.Linear(64, num_classes)) def forward(self, x, return_featuresFalse): shared_feat self.shared(x) shared_flat self.flatten(shared_feat) out1 self.task1_fc(shared_flat) out2 self.task2_fc(shared_flat) if return_features: return out1, out2, shared_flat return out1, out2 # 多任务损失 def multitask_loss(out1, out2, labels1, labels2, weight10.3, weight20.7): loss1 F.cross_entropy(out1, labels1) loss2 F.cross_entropy(out2, labels2) return weight1 * loss1 weight2 * loss2 # 2. 双框架孪生网络 class SiameseNetwork(nn.Module): def __init__(self, encoder): super().__init__() self.encoder encoder # 共享编码器 def forward(self, x_src, x_tgt): feat_src self.encoder(x_src) feat_tgt self.encoder(x_tgt) return feat_src, feat_tgt # 三元组损失 def triplet_loss(anchor, positive, negative, margin1.0): pos_dist F.pairwise_distance(anchor, positive) neg_dist F.pairwise_distance(anchor, negative) loss torch.mean(F.relu(pos_dist - neg_dist margin)) return loss # 域判别器 class DomainDiscriminator(nn.Module): def __init__(self, input_dim): super().__init__() self.fc nn.Sequential( nn.Linear(input_dim, 256), nn.ReLU(), nn.Linear(256, 128), nn.ReLU(), nn.Linear(128, 2) ) def forward(self, x): return self.fc(x) # 无监督跨域训练流程 def train_unsupervised_cross_domain(source_loader, target_loader, model, discriminator, epochs50): optimizer_model torch.optim.Adam(model.parameters(), lr1e-3) optimizer_disc torch.optim.Adam(discriminator.parameters(), lr1e-3) criterion nn.CrossEntropyLoss() for epoch in range(epochs): for (src_data, src_labels), (tgt_data, _) in zip(source_loader, target_loader): feat_src, feat_tgt model(src_data, tgt_data) # 对抗损失判别器区分源域和目标域 domain_src discriminator(feat_src.detach()) domain_tgt discriminator(feat_tgt.detach()) loss_d criterion(domain_src, torch.zeros_like(domain_src[:,0].long())) \ criterion(domain_tgt, torch.ones_like(domain_tgt[:,0].long())) optimizer_disc.zero_grad() loss_d.backward() optimizer_disc.step() # 生成器损失骗过判别器 三元组损失 domain_src2 discriminator(feat_src) loss_g criterion(domain_src2, torch.ones_like(domain_src2[:,0].long())) # 三元组损失简单负采样 # 此处省略具体实现 total_loss loss_g如有问题可以直接沟通