✨ 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联合分布自适应对抗网络用于跨工况复合故障诊断针对不同工况下复合故障数据的特征分布差异问题提出了一种联合分布自适应对抗域适应方法。该方法以残差神经网络为特征提取器从原始振动信号的快速傅里叶变换幅值谱中学习深度特征。为了同时适配边缘分布和条件分布在域对抗网络中引入联合最大均值差异作为正则项。具体而言特征提取器后的分类器输出类判别信息然后条件域对抗网络利用该信息作为辅助变量来对齐域间每类故障的条件分布。与此同时将特征提取器多个全连接层的输出进行拼接计算边缘分布的MMD距离通过最小化该距离使得源域和目标域的整体特征分布趋于一致。网络训练采用交替优化策略域判别器试图区分特征来自源域还是目标域而特征提取器试图欺骗域判别器同时最小化分类损失和MMD距离。在公开数据集和实验室自建数据集上的实验表明该方法在跨负载、跨转速工况下对复合故障如内圈滚动体复合的诊断准确率比单一域对抗网络提高了8.5%。2零样本复合故障诊断利用故障语义辅助信息为了解决复合故障样本完全缺失的极端情况设计了一种基于故障语义嵌入的零样本诊断框架。该框架的核心思想是利用已知单一故障样本和故障类别之间的语义关系推断出未见过的复合故障。首先为每种故障类型定义一个语义向量包含故障发生位置内圈/外圈/滚动体/保持架、故障原因点蚀/磨损/断裂和故障严重程度等属性。复合故障的语义向量由其组成单一故障的向量相加并归一化得到。然后采用宽核卷积神经网络从连续小波变换时频图中提取样本特征。在训练阶段模型学习将样本特征映射到语义空间即通过对抗训练使得特征提取器和语义投影对齐。在测试阶段对于未见复合故障样本模型将其映射到语义空间然后与所有候选复合故障的语义向量计算余弦相似度选择相似度最高的类别作为预测结果。实验显示该方法在零样本条件下对轴承复合故障的平均识别精度达到84.6%为实际中难以采集的复合故障诊断提供了新途径。3结合迁移学习与数据增强的少量样本复合故障诊断针对仅有少量复合故障样本的场景提出了一种基于迁移学习和生成数据增强的混合方法。首先利用大量单一故障数据预训练一个诊断模型冻结其底层特征提取层。然后将复合故障样本输入模型只微调最后几层分类器避免过拟合。同时为了进一步扩充复合故障样本集设计了一个复合特征拼接生成器从单一故障数据集中随机选取内圈故障和外圈故障的特征向量通过线性插值和噪声注入合成新的复合故障特征。生成的特征经由一个判别器进行真实性判断只有通过判别器的样本才被纳入训练集。最后使用增强后的复合故障样本集进行模型微调。实验证明在仅有每类5个复合故障样本的情况下该方法能够达到91.2%的诊断准确率显著优于不使用数据增强的迁移学习。import numpy as np import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader # 联合分布自适应对抗网络JDAAN class JDAAN(nn.Module): def __init__(self, feature_dim, num_classes): super().__init__() self.feature_extractor nn.Sequential( nn.Conv1d(1, 32, 3), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(32, 64, 3), nn.ReLU(), nn.AdaptiveAvgPool1d(16), nn.Flatten(), nn.Linear(1024, feature_dim) ) self.classifier nn.Linear(feature_dim, num_classes) self.domain_discriminator nn.Sequential(nn.Linear(feature_dim, 64), nn.ReLU(), nn.Linear(64, 1)) def forward(self, x): feat self.feature_extractor(x) logits self.classifier(feat) domain self.domain_discriminator(feat) return logits, domain, feat def train_jdaan(source_loader, target_loader, epochs50): model JDAAN(feature_dim128, num_classes10) optimizer optim.Adam(model.parameters(), lr1e-3) mmd_loss torch.nn.MSELoss() for epoch in range(epochs): model.train() for (src_x, src_y), (tgt_x, _) in zip(source_loader, target_loader): src_logits, src_domain, src_feat model(src_x) tgt_logits, tgt_domain, tgt_feat model(tgt_x) # 分类损失 cls_loss nn.CrossEntropyLoss()(src_logits, src_y) # 域对抗损失 adv_loss nn.BCEWithLogitsLoss()(src_domain, torch.zeros_like(src_domain)) \ nn.BCEWithLogitsLoss()(tgt_domain, torch.ones_like(tgt_domain)) # 联合MMD损失边缘条件 margin_mmd mmd_loss(src_feat.mean(0), tgt_feat.mean(0)) # 条件MMD根据分类器预测计算类条件均值 src_pred torch.softmax(src_logits, dim1) tgt_pred torch.softmax(tgt_logits, dim1) cond_mmd 0 for c in range(10): src_c src_feat[src_pred.argmax(dim1)c] tgt_c tgt_feat[tgt_pred.argmax(dim1)c] if len(src_c)0 and len(tgt_c)0: cond_mmd mmd_loss(src_c.mean(0), tgt_c.mean(0)) total_loss cls_loss 0.1*adv_loss 0.01*margin_mmd 0.05*cond_mmd optimizer.zero_grad(); total_loss.backward(); optimizer.step() return model # 零样本故障语义嵌入 def semantic_embedding(fault_type): semantics {inner_race:[1,0,0], outer_race:[0,1,0], ball:[0,0,1]} # 复合故障向量相加 if in fault_type: parts fault_type.split() vec np.sum([semantics[p] for p in parts], axis0) else: vec semantics[fault_type] return vec / (np.linalg.norm(vec)1e-6) # 宽核CNN用于零样本 class WideKernelCNN(nn.Module): def __init__(self): super().__init__() self.conv1 nn.Conv2d(1, 64, kernel_size(7,7), stride2) # 宽核 self.conv2 nn.Conv2d(64, 128, 3) self.fc nn.Linear(128*16*16, 256) self.semantic_proj nn.Linear(256, 128) def forward(self, x): x torch.relu(self.conv1(x)) x torch.relu(self.conv2(x)) x x.view(x.size(0), -1) feat self.fc(x) sem self.semantic_proj(feat) return sem # 输出语义空间映射 def zero_shot_predict(model, test_cwt, known_semantics_dict): model.eval() with torch.no_grad(): sem_vec model(test_cwt) best_match None best_sim -1 for fault, sem_target in known_semantics_dict.items(): sim torch.cosine_similarity(sem_vec, sem_target, dim0).item() if sim best_sim: best_sim sim; best_match fault return best_match ,如有问题可以直接沟通