✨ 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）基于小样本学习的振动信号图神经网络诊断：
针对风电机组齿轮箱点蚀故障样本稀缺的问题，提出一种基于小样本学习的图神经网络方法。首先，将振动信号通过离散小波变换转换为二维时频图像，小波变换采用db4小波基，分解5层，得到不同尺度的细节系数和近似系数。然后，将时频图像作为节点特征，并构建一个图结构：每个样本作为一个节点，节点之间通过特征相似度连接（如欧氏距离小于阈值）。图神经网络通过消息传递机制聚合邻居节点信息，能够在小样本条件下利用样本间的关系进行推理。具体采用原型网络思想，为每个故障类别计算一个原型向量（支持集中样本特征的平均值），然后查询样本与原型之间的距离作为分类依据。在仅有每类5个标注样本的极低资源条件下，该方法对点蚀程度的分类准确率达到85%以上，远超传统SVM和CNN。
（2）声信号的关系网络与边际学习模型：
声信号包含丰富的故障信息，且采集非接触。将声信号通过短时傅里叶变换转换为频谱图，然后使用预训练的VGG16提取深度特征向量。针对小样本问题，采用关系网络进行分类：关系网络由嵌入模块和关系模块组成，嵌入模块提取特征，关系模块计算查询样本与支持集中每个样本的相似度得分（通过拼接后输入全连接网络回归一个0-1分数）。同时，引入边际学习模型对特征进行自适应变换，使得同类样本特征聚集、异类分散。该方法在自建的风机声阵列数据集上，对7类轴承故障（包括点蚀、磨损、裂纹等）的平均识别率达96.1%。
（3）多源信号加权特征融合与联合诊断：
为了综合振动、声和电流三类信号的互补信息，设计加权特征融合策略。首先分别对三类信号进行特征提取：振动通过小波包变换提取能量熵，声通过MFCC提取倒谱系数，电流通过FFT提取谐波幅值。然后，计算每个特征集与故障类别之间的互信息，以此确定权重系数，互信息越大的信号赋予更高权重。加权后的特征向量进行拼接形成融合特征，再输入到基于图神经网络和关系网络的混合分类器中进行最终诊断。实验表明，多源融合诊断相比单一振动信号诊断准确率提升了约12%，在复杂故障模式（如点蚀+磨损复合）下优势尤为明显。该方法为风电机组齿轮箱的智能运维提供了高精度、小样本友好的解决方案。
import torch import torch.nn as nn import torch.nn.functional as F import pywt import librosa from torch_geometric.nn import GCNConv # 图神经网络小样本原型网络 class GNNPrototype(nn.Module): def __init__(self, in_dim, hid_dim, out_dim): super().__init__() self.gcn1 = GCNConv(in_dim, hid_dim) self.gcn2 = GCNConv(hid_dim, out_dim) def forward(self, x, edge_index): x = F.relu(self.gcn1(x, edge_index)) x = self.gcn2(x, edge_index) return x def prototype(self, support_x, support_y, edge_index): emb = self.forward(support_x, edge_index) prototypes = [] for c in torch.unique(support_y): prototypes.append(emb[support_y==c].mean(0)) return torch.stack(prototypes) # 关系网络 class RelationNetwork(nn.Module): def __init__(self, feat_dim=512, hid_dim=256): super().__init__() self.embed = nn.Sequential(nn.Linear(feat_dim, hid_dim), nn.ReLU(), nn.Linear(hid_dim, feat_dim)) self.relation = nn.Sequential(nn.Conv2d(2, 2, 1), nn.ReLU(), nn.MaxPool2d(1), nn.Flatten(), nn.Linear(2*feat_dim, 1), nn.Sigmoid()) def forward(self, query, support): # query: (B, feat), support: (N_support, feat) query_emb = self.embed(query) support_emb = self.embed(support) # 计算所有配对 scores = torch.zeros(query_emb.size(0), support_emb.size(0)) for i, q in enumerate(query_emb): for j, s in enumerate(support_emb): pair = torch.stack([q,s], dim=0).unsqueeze(0).unsqueeze(0) # (1,2,feat) scores[i,j] = self.relation(pair) return scores # 加权融合 def weighted_fusion(features_dict, weights): # features_dict: {'vib':arr, 'sound':arr, 'current':arr} fused = np.zeros_like(features_dict[list(features_dict.keys())[0]]) for key, w in weights.items(): fused += w * features_dict[key] return fused # 互信息估计权重 def estimate_mi_weight(X, y): # ：使用sklearn的互信息 from sklearn.feature_selection import mutual_info_classif mi = mutual_info_classif(X, y) return mi / mi.sum() # 离散小波变换时频图 def dwt_to_image(signal, levels=5): coeffs = pywt.wavedec(signal, 'db4', level=levels) # 将各层系数缩放到[0,255]合并成图像 img = np.concatenate([c for c in coeffs], axis=0) img = (img - img.min()) / (img.max() - img.min()) * 255 return img.astype(np.uint8) ",如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
