精密磨削电主轴故障诊断系统【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多传感器融合数据采集与预处理针对精密磨削电主轴多源信号特性设计了一套集成振动、温度、声音和电流传感器的数据采集系统。振动传感器三轴加速度计安装于主轴前、后轴承位置采样率51.2kHz温度传感器PT100嵌入定子绕组声音传感器麦克风阵列布置于主轴近场电流传感器监测三相电流。采集的数据通过NI cDAQ机箱同步采样并通过LabVIEW进行实时显示和存储。预处理阶段包括去除直流分量、滑动平均滤波以及将振动信号分段每段8192点用于后续特征提取。该系统能够覆盖主轴常见的故障类型轴承故障、转子不平衡、定子绕组短路等。2多尺度CNN-LSTM-自注意力深度诊断模型提出了一种融合多尺度卷积、长短期记忆网络和自注意力机制的深度学习模型。模型首先并行使用三种不同尺寸的一维卷积核3、5、7提取振动信号的多尺度局部特征然后将三路输出进行通道拼接。随后将特征序列输入到双层LSTM中捕捉长时间依赖关系。为了进一步增强模型对关键时段的关注在LSTM输出后加入多头自注意力层动态计算各时间步的重要性权重。最后通过全连接层输出故障类别。在电主轴故障模拟实验台上该模型对轴承故障的识别准确率达到99.4%对转子不平衡的准确率为98.7%优于单尺度CNN模型平均96.2%。3嵌入式实时诊断系统开发与现场部署将上述模型移植到嵌入式平台NVIDIA Jetson Xavier NX使用TensorRT进行推理加速。软件框架包括数据采集驱动通过SPI读取ADC、预处理模块、模型推理引擎和结果输出模块。系统以10ms为周期处理最新的512点数据模型推理时间稳定在8ms以内满足实时性要求。同时设计了Web可视化界面通过WebSocket推送诊断结果和振动波形。现场运行测试表明该系统能够及时预警电主轴早期故障有效防止了因主轴损坏导致的整机停机提高了磨削加工的生产效率。import numpy as np import torch import torch.nn as nn import tensorrt as trt # 多尺度CNN模块 class MultiScaleConv1D(nn.Module): def __init__(self, in_channels, out_channels): super().__init__() self.conv3 nn.Conv1d(in_channels, out_channels, kernel_size3, padding1) self.conv5 nn.Conv1d(in_channels, out_channels, kernel_size5, padding2) self.conv7 nn.Conv1d(in_channels, out_channels, kernel_size7, padding3) self.bn nn.BatchNorm1d(out_channels*3) def forward(self, x): out3 torch.relu(self.conv3(x)) out5 torch.relu(self.conv5(x)) out7 torch.relu(self.conv7(x)) out torch.cat([out3, out5, out7], dim1) return self.bn(out) # 完整诊断模型 class SpindleDiagnosisModel(nn.Module): def __init__(self, num_classes): super().__init__() self.msc MultiScaleConv1D(1, 64) self.lstm nn.LSTM(192, 128, batch_firstTrue, bidirectionalTrue) self.self_attn nn.MultiheadAttention(embed_dim256, num_heads4, batch_firstTrue) self.fc nn.Linear(256, num_classes) def forward(self, x): # x: (batch, channels1, length) x self.msc(x) # (batch, 192, length) x x.permute(0,2,1) # (batch, length, 192) lstm_out, _ self.lstm(x) # (batch, length, 256) attn_out, _ self.self_attn(lstm_out, lstm_out, lstm_out) pooled attn_out.mean(dim1) return self.fc(pooled) # TensorRT推理引擎构建 class TensorRTInference: def __init__(self, onnx_model_path): logger trt.Logger(trt.Logger.WARNING) builder trt.Builder(logger) network builder.create_network(1 int(trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH)) parser trt.OnnxParser(network, logger) with open(onnx_model_path, rb) as f: parser.parse(f.read()) config builder.create_builder_config() config.max_workspace_size 1 30 engine builder.build_engine(network, config) self.context engine.create_execution_context() def forward(self, input_tensor): # 执行推理 output np.empty((1, 4), dtypenp.float32) self.context.execute_v2([input_tensor.data_ptr(), output.ctypes.data]) return output # 模拟实时数据采集嵌入式C伪代码 def embedded_main(): # 初始化ADC, SPI # 循环采集 buffer [0]*512 model SpindleDiagnosisModel(4) # 加载权重 while True: # 采样512点 for i in range(512): buffer[i] adc_read() # 预处理去直流、归一化 buffer buffer - np.mean(buffer) buffer buffer / (np.max(np.abs(buffer)) 1e-6) # 模型推理 input_tensor torch.tensor(buffer).float().unsqueeze(0).unsqueeze(0) with torch.no_grad(): pred model(input_tensor) fault_class torch.argmax(pred).item() # 通过串口发送结果 uart_send(fault_class) # 延时 time.sleep(0.01) ,如有问题可以直接沟通