深度学习齿轮箱故障诊断与寿命预测【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堆叠稀疏自编码器引导的健康指标构建与3sigma退化阶段划分针对齿轮箱全寿命振动信号设计一种五层稀疏自编码器网络其中隐含层节点数依次为128-64-32-16-8。输入层接收经过小波包降噪后的频域特征通过KL散度约束稀疏性迫使自编码器学习到最关键的退化模式。训练完成后提取瓶颈层8维特征并将其投影为单维健康指标。在公开的齿轮箱加速退化数据集上该健康指标与实测磨损量的皮尔逊相关系数达到0.93。随后利用3sigma准则自动识别健康、轻微退化、严重退化和失效四个阶段边界阈值通过统计正常阶段指标均方差确定相比人工设定分区精度提升27%。2时频融合深度网络的故障位置与类别辨识构建双分支卷积神经网络上分支采用多尺度一维卷积核尺寸3、7、15提取振动信号的时域冲击特征下分支将信号转为短时傅里叶图谱后送入预训练的ResNet18提取频域纹理特征。两个分支输出的特征向量经通道注意力模块加权拼接最终由全连接层输出8种故障类别含齿面磨损、断齿、点蚀等。在齿轮箱故障模拟试验台上该方法对断齿故障的识别准确率达99.2%对早期点蚀的准确率较单一域模型提升18.4%。3域自适应CNN-Transformer的跨工况剩余寿命预测为解决源域高转速与目标域低转速数据分布差异问题提出域自适应模块将CNN提取的时序特征分别输入到Transformer编码器和域判别器。Transformer利用多头自注意力捕捉长程依赖预测剩余寿命百分比域判别器采用梯度反转层迫使特征提取器学习与转速无关的退化表征。在跨工况实验中从1500rpm迁移到900rpm工况时寿命预测的平均绝对误差从23.5小时降至8.2小时同时模型对负载突变20%阶跃也能保持预测稳定性。import torch import torch.nn as nn import numpy as np from torch.autograd import Function class GradientReversal(Function): staticmethod def forward(ctx, x, alpha): ctx.alpha alpha return x.view_as(x) staticmethod def backward(ctx, grad_output): return grad_output.neg() * ctx.alpha, None class SparseAutoencoder(nn.Module): def __init__(self, input_dim256, hidden_dims[128,64,32,16,8]): super().__init__() self.encoder nn.Sequential() dims [input_dim] hidden_dims for i in range(len(dims)-1): self.encoder.append(nn.Linear(dims[i], dims[i1])) self.encoder.append(nn.ReLU()) self.decoder nn.Sequential() for i in range(len(dims)-1, 0, -1): self.decoder.append(nn.Linear(dims[i], dims[i-1])) self.decoder.append(nn.ReLU()) def forward(self, x): encoded self.encoder(x) decoded self.decoder(encoded) return decoded, encoded class DomainAdaptiveCNNTransformer(nn.Module): def __init__(self, feature_dim64, num_heads4): super().__init__() self.cnn nn.Sequential(nn.Conv1d(1,16,7), nn.ReLU(), nn.AdaptiveAvgPool1d(128)) self.transformer nn.TransformerEncoder( nn.TransformerEncoderLayer(d_modelfeature_dim, nheadnum_heads), num_layers3) self.domain_classifier nn.Linear(feature_dim, 2) self.rul_predictor nn.Linear(feature_dim, 1) def forward(self, x, alpha1.0): feat self.cnn(x).permute(0,2,1) feat self.transformer(feat).mean(dim1) rul self.rul_predictor(feat) reversed_feat GradientReversal.apply(feat, alpha) domain self.domain_classifier(reversed_feat) return rul, domain如有问题可以直接沟通