✅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。
✅ 如需沟通交流，扫描文章底部二维码。
（1）烘缸表面温度分布特征与振动联合诊断：
造纸机烘缸轴承故障会导致缸体表面温度分布不均匀。采用红外热像仪采集烘缸表面的温度分布图（分辨率320x240），提取温度场的统计特征：均值、方差、偏度、峰度、以及水平方向温度梯度的最大变化率。同时采集靠近轴承座的加速度信号，提取包络谱中的轴承特征频率幅值。将温度特征和振动特征拼接后，使用主成分分析降维到20维。在1760型造纸机上模拟了轴承内圈故障和外圈故障。联合特征对故障类型分类准确率为95.7%，而单独振动特征为88.3%，单独温度特征为79.2%。
（2）基于长短时记忆网络的轴承剩余寿命预测：
烘缸轴承的退化过程缓慢，可利用历史振动和温度数据预测剩余寿命。构建一个双向LSTM模型，输入为过去7天的每日振动均方根、峰值、温度均值和温差共4个指标，输出为未来剩余天数。训练数据来自一台从新轴承到失效的全寿命运行数据（约180天）。模型的预测绝对误差平均为8.6天，R2分数为0.92。当模型预测剩余寿命低于15天时，发出更换预警，实际提前检出率为83%。
（3）基于变分自编码器的异常检测与健康指数构建：
正常运行的烘缸轴承数据容易获取，而故障数据稀缺。训练一个变分自编码器VAE，仅使用正常状态下的振动频谱和温度分布特征作为输入。编码器输出隐变量的均值和方差，解码器重构输入。通过计算重构误差和隐变量的KL散度，构造一个健康指数HI = 重构误差 + β*KL散度。当HI超过阈值（正常样本99.5%分位数）时判定为异常。在实际运行中，该HI在轴承出现早期剥落前20天就开始缓慢上升，比传统阈值法提前约12天报警。,"import torch
import torch.nn as nn
import torch.nn.functional as F
import numpy as np
from sklearn.decomposition import PCA
class BiLSTM_RUL(nn.Module):
def __init__(self, input_dim=4, hidden_dim=64, num_layers=2):
super().__init__()
self.lstm = nn.LSTM(input_dim, hidden_dim, num_layers, batch_first=True, bidirectional=True)
self.fc = nn.Linear(hidden_dim*2, 1)
def forward(self, x):
out, _ = self.lstm(x) # (B, T, H*2)
out = out[:, -1, :] # 取最后一个时间步
return self.fc(out)
class VAE(nn.Module):
def __init__(self, input_dim=20, hidden_dim=32, latent_dim=8):
super().__init__()
self.encoder = nn.Sequential(
nn.Linear(input_dim, hidden_dim),
nn.ReLU(),
nn.Linear(hidden_dim, hidden_dim),
nn.ReLU()
)
self.fc_mu = nn.Linear(hidden_dim, latent_dim)
self.fc_logvar = nn.Linear(hidden_dim, latent_dim)
self.decoder = nn.Sequential(
nn.Linear(latent_dim, hidden_dim),
nn.ReLU(),
nn.Linear(hidden_dim, hidden_dim),
nn.ReLU(),
nn.Linear(hidden_dim, input_dim)
)
def encode(self, x):
h = self.encoder(x)
mu = self.fc_mu(h)
logvar = self.fc_logvar(h)
return mu, logvar
def reparameterize(self, mu, logvar):
std = torch.exp(0.5*logvar)
eps = torch.randn_like(std)
return mu + eps*std
def decode(self, z):
return self.decoder(z)
def forward(self, x):
mu, logvar = self.encode(x)
z = self.reparameterize(mu, logvar)
recon = self.decode(z)
return recon, mu, logvar
def vae_loss(recon, x, mu, logvar, beta=0.1):
mse = F.mse_loss(recon, x, reduction='sum')
kld = -0.5 * torch.sum(1 + logvar - mu.pow(2) - logvar.exp())
return mse + beta * kld
def health_index(recon, mu, logvar, x, beta=0.1):
mse = F.mse_loss(recon, x, reduction='none').mean(dim=1)
kld = -0.5 * (1 + logvar - mu.pow(2) - logvar.exp()).sum(dim=1)
hi = mse + beta * kld
return hi
class TemperatureVibrationFusion(nn.Module):
def __init__(self, temp_dim=10, vib_dim=15, out_dim=20):
super().__init__()
self.temp_net = nn.Linear(temp_dim, out_dim//2)
self.vib_net = nn.Linear(vib_dim, out_dim//2)
self.pca = PCA(n_components=out_dim)
def forward(self, temp_feat, vib_feat):
temp_out = F.relu(self.temp_net(temp_feat))
vib_out = F.relu(self.vib_net(vib_feat))
concat = torch.cat([temp_out, vib_out], dim=1)
# PCA 需要手动实现，这里简化用线性变换
return concat
如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
