✨ 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格拉姆角场编码与图注意力网络协同的特征增强为了解决传统一维振动信号空间信息不足的问题提出将格拉姆角场GAF编码与图注意力网络GAT相结合。首先利用GAF将原始时域信号转换为二维图像通过将信号值映射到极坐标系的角余弦然后计算每两个时间点之间的三角和/差生成格拉姆角和场或差场。这种变换保留了时间依赖性和空间几何结构使原本在时域中难以区分的冲击特征在GAF图像中呈现出明显的纹理模式。然后将GAF图像视为图结构每个像素点作为图节点像素间的相似度如欧氏距离的倒数作为边权重构建邻接矩阵。图注意力网络层通过多头注意力机制为每个节点的邻居分配不同的权重聚合邻居信息来更新节点表示。最后通过全局池化得到图级特征用于分类。在电机轴承数据集上该方法相比直接使用一维CNN或二维CNN准确率提升了约4%尤其在高噪声环境下鲁棒性更强。2Swin-Transformer与多尺度图注意力网络的融合框架针对有限训练样本和高噪声环境设计了一种融合Swin-Transformer和层级图注意力网络MSGAT的框架。首先将GAF图像输入到Swin-Transformer中利用其移位窗口自注意力机制提取多尺度层级特征。Swin-Transformer通过合并相邻patch逐渐扩大感受野能够有效捕获从局部细节到全局结构的特征。将Swin-Transformer输出的特征向量作为节点的初始嵌入。然后构建一个k-近邻图其中每个样本即每张GAF图像作为一个节点节点间根据特征相似度连接这种方式将分类问题转化为节点分类问题。MSGAT采用级联的多层图卷积每一层都计算节点与其邻居的注意力系数并逐层聚合信息。同时引入残差连接和参数共享机制减少在小样本下的过拟合。在噪声环境下该框架在测试集上达到96.7%的准确率比基线模型高5%。3多传感器多特征图卷积网络MMF-GCN及自适应加权融合为应对变转速工况下单一传感器信息不足的问题提出多源多特征图卷积网络。该方法同时采集电机轴承的振动、电流和温度信号。对每种信号分别进行自适应GAF编码其中编码参数如图像尺寸、缩放因子根据信号的信噪比自动调整。编码后的三张特征图分别输入到三个并行的图卷积子网络中每个子网络学习该传感器特有的故障特征。然后设计一个注意力融合模块该模块以各子网络输出的特征为输入通过一个小型全连接网络计算出每个传感器的权重和为1最终将加权后的特征拼接送入分类器。在变转速工况实验中该多源方法对轴承外圈、内圈和滚动体故障的平均识别率达到99.1%显著高于单振动信号93.5%验证了多模态融合的有效性。import torch import torch.nn as nn import torch.nn.functional as F from torch_geometric.nn import GATConv, GCNConv import numpy as np # 格拉姆角场转换简化的PyTorch实现 def gramian_angular_field(signal, methodsum): # 归一化到[-1,1] signal_norm (signal - signal.min()) / (signal.max() - signal.min()) * 2 - 1 # 极角 phi np.arccos(signal_norm) # 构造GAF矩阵 n len(signal) gaf np.zeros((n, n)) for i in range(n): for j in range(n): if method sum: gaf[i,j] np.cos(phi[i] phi[j]) else: gaf[i,j] np.cos(phi[i] - phi[j]) return torch.tensor(gaf, dtypetorch.float).unsqueeze(0) # 图注意力网络模块使用PyG此处展示自定义简化版 class SimpleGATLayer(nn.Module): def __init__(self, in_features, out_features, dropout0.2): super().__init__() self.W nn.Linear(in_features, out_features, biasFalse) self.a nn.Parameter(torch.zeros(2*out_features, 1)) self.dropout nn.Dropout(dropout) nn.init.xavier_uniform_(self.W.weight) nn.init.xavier_uniform_(self.a) def forward(self, x, adj): h self.W(x) # (N, out) N h.size(0) # 计算注意力系数 h_concat torch.cat([h.repeat(1, N).view(N*N, -1), h.repeat(N, 1)], dim1).view(N, N, -1) e torch.matmul(h_concat, self.a).squeeze(-1) # (N,N) e F.leaky_relu(e) # 掩码只保留邻接矩阵中的边 attention torch.where(adj 0, e, torch.full_like(e, -1e9)) attention F.softmax(attention, dim-1) attention self.dropout(attention) h_prime torch.matmul(attention, h) return F.elu(h_prime) # Swin-Transformer MSGAT 框架示意 class SwinMSGAT(nn.Module): def __init__(self, num_classes4): super().__init__() # 使用预训练的Swin-T作为特征提取器仅示意 self.swin torch.hub.load(microsoft/swin-transformer, swin_tiny_patch4_window7_224) self.swin.head nn.Identity() # 图卷积层 self.gat1 GATConv(768, 256, heads4, concatTrue) self.gat2 GATConv(256*4, 128, heads1, concatFalse) self.classifier nn.Linear(128, num_classes) def forward(self, gaf_images, edge_index): # gaf_images: (batch, 1, H, W) features self.swin(gaf_images) # (batch, 768) # 构建每个样本作为节点的一批图简化将所有样本视为同一图的不同节点 x self.gat1(features, edge_index) x F.elu(x) x self.gat2(x, edge_index) return self.classifier(x) # 自适应加权融合模块 class AdaptiveWeightFusion(nn.Module): def __init__(self, num_sensors3, feat_dim128): super().__init__() self.attention nn.Sequential( nn.Linear(feat_dim, 32), nn.ReLU(), nn.Linear(32, num_sensors), nn.Softmax(dim1) ) def forward(self, feats_list): # list of (batch, feat_dim) batch_size feats_list[0].size(0) feats_stack torch.stack(feats_list, dim1) # (batch, num_sensors, feat_dim) weights self.attention(feats_stack.mean(dim-1)) # (batch, num_sensors) weighted (feats_stack * weights.unsqueeze(-1)).sum(dim1) return weighted ,如有问题可以直接沟通