✨ 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多神经网络交叉注意力故障诊断模型设计CNN-Transformer提取振动信号多尺度空间特征再通过双向长短期记忆网络捕捉时序依赖最后引入交叉注意力机制融合时域特征与频域特征快速傅里叶变换和变分模态分解的频谱。交叉注意力以时域特征为Query频域特征为Key/Value有效突出故障调制边带。在齿轮箱实测数据集含齿根裂纹、缺齿、磨损上诊断准确率97.2%相比单一CNN模型高8.6%。2PyQt5监测数据管理系统开发了基于Python的数据管理软件包含数据录入支持手动输入、批量导入csv、数据查询按时间、设备编号、故障类型组合筛选、数据可视化时域波形、频谱、包络谱实时绘图。系统采用多线程架构采集与诊断分离避免界面卡顿。内置SQLite数据库存储原始信号和特征数据查询响应时间低于200ms。还提供了报警日志功能当实时诊断结果异常时自动记录并弹窗。3变分模态分解与傅里叶变换联合特征提取对一维振动信号先进行变分模态分解选取能量最高的3个模态重构再对重构信号做快速傅里叶变换得到频谱。同时计算原始信号的时域统计特征均值、方差、峭度、峰值因子、脉冲因子等17维。将所有特征拼接后送入诊断网络。在1000条测试样本上联合特征比单一特征准确率提升5.2%。系统已部署于某齿轮传动厂连续运行30天无误报成功预警2起早期轴承故障。import sys import numpy as np import torch import torch.nn as nn from PyQt5.QtWidgets import QApplication, QMainWindow, QTableWidget, QPushButton from PyQt5.QtCore import QThread, pyqtSignal import pyqtgraph as pg class CrossAttentionFusion(nn.Module): def __init__(self, dim256, num_heads8): super().__init__() self.mha nn.MultiheadAttention(dim, num_heads, batch_firstTrue) def forward(self, time_feat, freq_feat): # time_feat: [B, L, D], freq_feat: [B, L, D] fused, attn self.mha(querytime_feat, keyfreq_feat, valuefreq_feat) return fused.mean(dim1) class CNNTransformerBiLSTM(nn.Module): def __init__(self, input_len1024, num_classes7): super().__init__() self.cnn nn.Sequential(nn.Conv1d(1, 32, 3, padding1), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(32,64,3,padding1), nn.ReLU()) self.transformer nn.TransformerEncoderLayer(d_model64, nhead4, batch_firstTrue) self.lstm nn.LSTM(64, 128, bidirectionalTrue, batch_firstTrue) self.cross_attn CrossAttentionFusion(256) self.classifier nn.Linear(256, num_classes) def forward(self, time_sig, freq_sig): # time_sig: [B, 1, L] cnn_out self.cnn(time_sig) # [B,64, L/2] cnn_out cnn_out.transpose(1,2) # [B, L/2, 64] trans_out self.transformer(cnn_out) lstm_out, _ self.lstm(trans_out) # [B, seq, 256] time_feat lstm_out # freq_sig: [B, F] 假设已处理为与time_feat同维度 freq_feat freq_sig.unsqueeze(1).expand(-1, lstm_out.size(1), -1) fused self.cross_attn(time_feat, freq_feat) return self.classifier(fused) class DataManagerThread(QThread): data_received pyqtSignal(np.ndarray) def run(self): # 模拟实时数据采集 import time while True: fake_data np.random.randn(1024) self.data_received.emit(fake_data) time.sleep(0.1) class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(齿轮箱监测系统) self.table QTableWidget(self) self.btn QPushButton(查询, self) self.plot_widget pg.PlotWidget(self) # 布局等略如有问题可以直接沟通