核心内容摘要
用过才敢说 一键生成论文工具 千笔ai写作 VS 锐智 AI 更适合本科生！
✅博主简介擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导毕业论文、期刊论文经验交流。
✅成品或者定制扫描文章底部微信二维码。
(
小波变换融合改进视觉Transformer的跨工况特征提取针对液压泵振动信号的非平稳性和强噪声特性,本研究构建多分辨率时频分析与深度学习相结合的特征表示框架。
采用连续小波变换将一维振动加速度信号分解为时频域二维谱图,通过选择Morlet小波基函数在频率局部化和时间分辨率之间取得平衡,保留故障特征的瞬态成分。
小波系数矩阵经归一化处理后转换为类图像数据,输入改进的视觉Transformer网络进行深度特征学习。
Vision Transformer通过将图像切分为固定大小的块序列并嵌入位置编码,利用多头自注意力机制捕获全局上下文关系,相比卷积神经网络具有更强的长距离依赖建模能力。
针对原始ViT对小尺度特征提取不足的问题,设计递归门控卷积模块作为前置特征增强层,通过门控机制自适应地选择保留或抑制不同尺度的局部模式。
多尺度特征经过线性投影后与位置嵌入相加,输入Transformer编码器进行层级化的自注意力计算。
为增强模型对工况变化的鲁棒性,在训练过程中引入域混淆策略,通过最小化不同转速和负载条件下特征分布的最大均值差异,学习工况不变的故障表征。
模型无关元学习框架通过在多个工况任务上进行二阶梯度优化,寻找对新工况快速适应的初始化参数,使模型仅需少量目标域样本即可完成微调实现高精度诊断。
(
基于AMESim联合仿真的高保真故障数据生成考虑到实际液压系统故障样本获取成本高和安全风险大的问题,本研究建立液压系统多域物理仿真模型合成大规模标注数据。
利用AMESim软件构建包含液压泵、阀组、油缸、管路和油箱的完整液压回路模型,各组件采用集总参数法描述液压动力学和机械动力学的耦合关系。
故障注入通过修改元件参数实现,如泵内泄漏通过增大间隙阻尼系数模拟,轴承磨损通过引入非线性摩擦力矩表征,阀卡滞通过改变阀芯动态响应特性实现。
设计Python脚本与AMESim进行联合仿真,自动化地遍历故障类型、故障程度和工况参数的组合空间,批量生成不同运行条件下的时域响应数据。
每次仿真运行完成后,Python脚本提取压力、流量、位移等多通道信号,并在信号中叠加符合实际传感器特性的测量噪声,增强仿真数据的真实性。
针对复合故障场景,通过同时激活多个故障模式生成耦合故障样本,覆盖单一故障难以表征的系统退化模式。
仿真数据集按照故障类别、严重程度和工况条件进行层次化组织,为后续元学习训练提供充足的源域任务。
通过对比仿真信号与实测信号的统计特性和频谱分布,验证仿真模型的高保真度,确保仿真数据能够有效支撑跨域迁移学习。
(
半监督域适应的仿真到实测知识迁移针对仿真域和实测域之间的分布差异导致直接迁移性能下降的问题,本研究提出融合域对抗学习和伪标签自训练的半监督迁移诊断框架。
首先利用仿真数据在多个故障任务上预训练元学习模型,通过任务级梯度聚合获得具有快速适应能力的网络初始化参数。
在迁移阶段,将预训练模型作为特征提取器,其输出特征同时输入故障分类器和域判别器。
域判别器采用对抗训练策略,通过梯度反转层使特征提取器学习域不变表示,最小化仿真域和实测域的特征分布差异。
对于实测域中的无标签样本,设计置信度感知的伪标签生成策略,将分类器输出概率高于阈值的样本纳入训练集,并根据预测置信度动态调整样本权重。
为缓解伪标签噪声累积问题,采用指数移动平均更新伪标签,并设计一致性正则化损失约束模型对同一样本不同增强版本的预测一致性。
针对液压故障数据中普遍存在的类别不平衡问题,设计动态加权交叉熵损失函数,根据各类别在实测数据中的频率自适应调整损失权重,增强对稀缺故障类别的学习强度。
迁移学习采用分阶段训练策略,首先固定特征提取器仅训练分类器和域判别器实现特征对齐,随后端到端微调整个网络参数,在保持域不变性的同时优化目标域诊断性能。
import numpy as np import pywt import torch import torch.nn as nn import torch.optim as optim from sklearn.model_selection import train_test_split class WaveletTransform: def __init__(self, waveletmorl, scales
: self.wavelet wavelet self.scales scales def transform(self, signal): coefficients, frequencies pywt.cwt(signal, self.scales, self.wavelet) coefficients np.abs(coefficients) coefficients (coefficients - coefficients.min()) / (coefficients.max() - coefficients.min() 1e-
return coefficients class RecursiveGatedConv(nn.Module): def __init__(self, in_channels, out_channels): super(RecursiveGatedConv, self).__init__() self.conv1 nn.Conv2d(in_channels, out_channels, kernel_size3, padding
self.conv2 nn.Conv2d(in_channels, out_channels, kernel_size3, padding
self.gate nn.Sigmoid() def forward(self, x): feature torch.tanh(self.conv1(x)) gate self.gate(self.conv2(x)) return feature * gate class ImprovedViT(nn.Module): def __init__(self, image_size64, patch_size8, num_classes10, dim256, depth6, heads
: super(ImprovedViT, self).__init__() self.patch_size patch_size num_patches (image_size // patch_size) ** 2 patch_dim 1 * patch_size * patch_size self.gated_conv RecursiveGatedConv(1,
self.conv_proj nn.Conv2d(32, dim, kernel_sizepatch_size, stridepatch_size) self.pos_embedding nn.Parameter(torch.randn(1, num_patches 1, dim)) self.cls_token nn.Parameter(torch.randn(1, 1, dim)) encoder_layer nn.TransformerEncoderLayer(d_modeldim, nheadheads, dim_feedforwarddim*4, dropout
1, batch_firstTrue) self.transformer nn.TransformerEncoder(encoder_layer, num_layersdepth) self.mlp_head nn.Sequential( nn.LayerNorm(dim), nn.Linear(dim, num_classes) ) def forward(self, x): batch_size x.shape[0] x self.gated_conv(x) x self.conv_proj(x) x x.flatten(
.transpose(1,
cls_tokens self.cls_token.expand(batch_size, -1, -
x torch.cat([cls_tokens, x], dim
x x self.pos_embedding x self.transformer(x) cls_output x[:, 0] return self.mlp_head(cls_output) class DomainAdversarialNetwork(nn.Module): def __init__(self, feature_dim
: super(DomainAdversarialNetwork, self).__init__() self.domain_classifier nn.Sequential( nn.Linear(feature_dim,
, nn.ReLU(), nn.Dropout(
0.
, nn.Linear(128,
) def forward(self, x, alpha
1.
: reverse_x GradientReversalLayer.apply(x, alpha) return self.domain_classifier(reverse_x) class GradientReversalLayer(torch.autograd.Function): staticmethod def forward(ctx, x, alpha): ctx.alpha alpha return x.view_as(x) staticmethod def backward(ctx, grad_output): return -ctx.alpha * grad_output, None class MAMLTrainer: def __init__(self, model, inner_lr
01, meta_lr
0.
: self.model model self.inner_lr inner_lr self.meta_optimizer optim.Adam(self.model.parameters(), lrmeta_lr) def inner_update(self, support_x, support_y, num_steps
: inner_model type(self.model)(*self._get_model_args()).to(support_x.device) inner_model.load_state_dict(self.model.state_dict()) inner_optimizer optim.SGD(inner_model.parameters(), lrself.inner_lr) criterion nn.CrossEntropyLoss() for _ in range(num_steps): inner_optimizer.zero_grad() outputs inner_model(support_x) loss criterion(outputs, support_y) loss.backward() inner_optimizer.step() return inner_model def _get_model_args(self): return () def meta_train_step(self, tasks): meta_loss 0 self.meta_optimizer.zero_grad() for support_x, support_y, query_x, query_y in tasks: adapted_model self.inner_update(support_x, support_y) query_outputs adapted_model(query_x) criterion nn.CrossEntropyLoss() task_loss criterion(query_outputs, query_y) meta_loss task_loss meta_loss meta_loss / len(tasks) meta_loss.backward() self.meta_optimizer.step() return meta_loss.item() def generate_hydraulic_simulation_data(num_samples
: wavelet_transform WaveletTransform() X [] y [] for i in range(num_samples): fault_type np.random.randint(0,
signal_length 1024 t np.linspace(0, 1, signal_length) base_signal np.random.randn(signal_length) *
1 if fault_type 0: signal base_signal
5 * np.sin(2 * np.pi * 50 * t) elif fault_type 1: signal base_signal
8 * np.sin(2 * np.pi * 70 * t) impulse_locs np.random.randint(0, signal_length,
signal[impulse_locs] np.random.randn(
*
5 elif fault_type 2: signal base_signal
6 * np.sin(2 * np.pi * 90 * t) signal
3 * np.sin(2 * np.pi * 200 * t) else: freq 50 fault_type * 15 signal base_signal np.random.uniform(
4,
0.
* np.sin(2 * np.pi * freq * t) wavelet_coef wavelet_transform.transform(signal) X.append(wavelet_coef) y.append(fault_type) X np.array(X) X X[:, np.newaxis, :, :] y np.array(y) return X.astype(np.float
, y X_sim, y_sim generate_hydraulic_simulation_data(
X_train, X_val, y_train, y_val train_test_split(X_sim, y_sim, test_size
0.
model ImprovedViT(image_size64, patch_size8, num_classes
domain_net DomainAdversarialNetwork(feature_dim
train_dataset torch.utils.data.TensorDataset( torch.FloatTensor(X_train), torch.LongTensor(y_train) ) train_loader torch.utils.data.DataLoader(train_dataset, batch_size16, shuffleTrue) criterion nn.CrossEntropyLoss() optimizer optim.Adam(list(model.parameters()) list(domain_net.parameters()), lr
0.
model.train() for epoch in range(
: total_loss 0 for inputs, labels in train_loader: optimizer.zero_grad() outputs model(inputs) loss criterion(outputs, labels) loss.backward() optimizer.step() total_loss loss.item() print(fEpoch {epoch1}: Loss{total_loss/len(train_loader):.4f}) model.eval() val_dataset torch.utils.data.TensorDataset( torch.FloatTensor(X_val), torch.LongTensor(y_val) ) val_loader torch.utils.data.DataLoader(val_dataset, batch_size
correct 0 total 0 with torch.no_grad(): for inputs, labels in val_loader: outputs model(inputs) _, predicted outputs.max(
total labels.size(
correct predicted.eq(labels).sum().item() print(fValidation Accuracy: {
1