故障仿真与数据驱动融合高速列车轴箱轴承故障识别【附代码】

✨ 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刚柔耦合转向架-轴承多体动力学仿真平台构建针对高速列车轴箱轴承在复杂轮轨激励下的故障数据难以通过实验获得的问题基于UM软件与MATLAB联合仿真构建了高保真刚柔耦合模型。模型中列车轮对和构架采用柔性体建模通过有限元软件生成模态中性文件考虑了弹性变形对轴承动态载荷的影响轴箱双列圆锥滚子轴承则通过自建的多体动力学模块实现每个滚子与滚道之间的接触力基于赫兹理论精确计算。通过在模型中植入外圈、内圈及滚子故障的几何特征如剥落凹坑、裂纹仿真生成不同速度等级低速、中速、高速和对应轨道谱激励下的轴承振动加速度数据。该平台产生的仿真数据覆盖了轨道随机不平顺、曲线通过、道岔等特殊工况其振动响应与真实线路实测信号的包络谱故障特征频率吻合度达到90%以上解决了数据稀疏瓶颈。2IF-Net特征增强迁移学习网络设计为了实现从仿真源域到实验目标域的知识迁移提出了一种新颖的Inception-Transformer-ResNet混合网络IF-Net。该网络采用双分支结构Inception分支通过多尺度卷积核提取轴承故障的细粒度局部特征如由冲击引起的瞬态高频成分Transformer分支利用自注意力机制匹配仿真与实测信号的整体时序分布捕获长距离的依赖关系。设计了一种新的综合迁移损失函数该函数结合了三种不同层次的分布差异度量在特征提取网络的浅层使用最大均值差异对齐边缘分布在深层利用条件最大均值差异对齐细粒度的类别条件分布此外引入相关对齐损失来对齐源域和目标域特征的二阶统计量。通过反向传播网络学习到一个公共特征空间其中仿真数据和实测数据的同类别特征紧密聚集而异类特征相互远离。实验表明IF-Net在跨域任务中的平均准确率比传统深度适配网络高出12%。3KL散度引导的背景噪声匹配与数据转换为了进一步缩小仿真数据与真实传感器数据之间的噪声比差异提出了一种基于KL散度的背景噪声匹配算法。首先从实测信号中截取无故障的纯噪声片段并估计其功率谱密度。然后对仿真信号叠加不同信噪比的高斯白噪声或粉红噪声计算叠加后信号与实测噪声片段的功率谱KL散度选取KL散度最小的噪声配置作为最佳匹配。经过噪声匹配后仿真数据和实测数据具有相似的背景特性降低了迁移学习的难度。之后将一维振动信号通过短时傅里叶变换转换为二维时频图像作为IF-Net的输入。由于时频图同时携带时间和频率信息模型能够学习到故障的二维模式增强了特征的鲁棒性。在三种特殊工况下的验证表明该方法仅用少量实测标签30组就能达到98%以上的故障识别率大幅减少了现场标定工作量。import numpy as np import torch import torch.nn as nn # 1. UM与MATLAB联合仿真接口模拟 (生成数据) def generate_simulation_data(speed, track_irregularity): # 调用外部仿真软件此处返回占位数据 vibration_signal np.random.randn(10000) label np.random.randint(0, 4) # 0正常1内圈2外圈3滚子 return vibration_signal, label # 2. IF-Net 基本模块 (Inception Transformer) class InceptionBlock(nn.Module): def __init__(self, in_channels): super().__init__() self.conv1 nn.Conv1d(in_channels, 32, kernel_size3, padding1) self.conv2 nn.Conv1d(in_channels, 32, kernel_size5, padding2) self.conv3 nn.Conv1d(in_channels, 32, kernel_size7, padding3) def forward(self, x): out1 torch.relu(self.conv1(x)) out2 torch.relu(self.conv2(x)) out3 torch.relu(self.conv3(x)) return torch.cat([out1, out2, out3], dim1) class IFNet(nn.Module): def __init__(self, num_classes4): super().__init__() self.inception InceptionBlock(1) self.transformer nn.TransformerEncoderLayer(d_model96, nhead4, batch_firstTrue) self.fc nn.Linear(96, num_classes) def forward(self, x): x self.inception(x.unsqueeze(1)) # 输入一维信号 x x.permute(0,2,1) x self.transformer(x) x x.mean(dim1) return self.fc(x) # 3. 综合迁移损失函数 (MMD CORAL) def coral_loss(source_feat, target_feat): # 相关对齐损失 src_cov torch.cov(source_feat.T) tgt_cov torch.cov(target_feat.T) loss torch.norm(src_cov - tgt_cov, pfro) ** 2 return loss / (4 * source_feat.shape[1] ** 2) def mmd_loss(source_feat, target_feat, kernel_mul2.0, kernel_num5): # 多核MMD loss 0 for i in range(kernel_num): sigma 1.0 * (kernel_mul ** i) kernel_src_src torch.exp(-torch.cdist(source_feat, source_feat) ** 2 / sigma ** 2) kernel_tgt_tgt torch.exp(-torch.cdist(target_feat, target_feat) ** 2 / sigma ** 2) kernel_src_tgt torch.exp(-torch.cdist(source_feat, target_feat) ** 2 / sigma ** 2) loss torch.mean(kernel_src_src) torch.mean(kernel_tgt_tgt) - 2 * torch.mean(kernel_src_tgt) return loss / kernel_num # 训练循环中加入综合损失 def train_with_transfer(model, src_loader, tgt_loader, optimizer): for src_x, src_y, tgt_x, _ in zip(src_loader, tgt_loader): src_feat model.extract_features(src_x) # 假设有特征提取方法 tgt_feat model.extract_features(tgt_x) # 分类损失 src_pred model.classifier(src_feat) cls_loss nn.CrossEntropyLoss()(src_pred, src_y) # 迁移损失 loss_mmd mmd_loss(src_feat, tgt_feat) loss_coral coral_loss(src_feat, tgt_feat) total cls_loss 0.1 * loss_mmd 0.05 * loss_coral total.backward() optimizer.step() 如有问题可以直接沟通