✨ 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加权频率注意力模块与频谱增强汽轮机转子振动信号中故障特征频率如转频、倍频容易被工频干扰掩盖。设计一种加权频率注意力模块首先对信号做FFT得到幅度谱然后通过一个轻量化网络两个全连接层为每个频率点生成权重权重与原始谱相乘得到增强谱。为了保留相位信息再通过IFFT恢复时域信号。该模块可以插入任何卷积网络前端端到端训练。在转子实验台数据不平衡、不对中、碰摩、油膜振荡等上加入频率注意力后故障分类准确率从91.2%提升到96.8%。2跨尺度图卷积与时频图建模将经过频率增强的时频图作为图节点特征图的边根据频率之间的谐波关系如2倍频、3倍频和时频块的空间相邻关系构建。使用两层图卷积网络提取图中节点的特征第一层采用小尺度卷积核捕捉局部频带关系第二层采用大尺度卷积核捕捉全局谐波结构。此外引入图池化层将节点聚类为几个语义基元如基频区域、二倍频区域、噪声区域。在测试中图卷积网络能够自动定位到与故障相关的频谱区域。3对抗域适应与变转速通用性不同转速下频率轴伸缩导致图结构变化。采用对抗域适应技术将高转速数据作为源域低转速作为目标域。特征提取器输出域不变特征域判别器分辨特征来自哪个转速。同时引入频谱重采样策略将不同转速的频谱对齐到相同的阶次谱减少域差异。在从1500rpm迁移到900rpm的任务中准确率达到94.2%接近源域精度。import torch import torch.nn as nn import torch.nn.functional as F import numpy as np class FreqAttention(nn.Module): def __init__(self, fft_len1024): super().__init__() self.fft_len fft_len self.fc nn.Sequential(nn.Linear(fft_len//2 1, 128), nn.ReLU(), nn.Linear(128, fft_len//2 1), nn.Sigmoid()) def forward(self, x): # x: [B, 1, T] spec torch.fft.rfft(x.squeeze(1), nself.fft_len, dim-1).abs() weights self.fc(spec) spec_enhanced spec * weights # 构造复信号近似保留相位 phase torch.angle(torch.fft.rfft(x.squeeze(1), nself.fft_len, dim-1)) complex_enhanced spec_enhanced * torch.exp(1j * phase) x_restored torch.fft.irfft(complex_enhanced, nself.fft_len, dim-1).unsqueeze(1) return x_restored class GraphConvBlock(nn.Module): def __init__(self, in_dim, out_dim): super().__init__() self.conv GCNConv(in_dim, out_dim) def forward(self, x, edge_index): return F.relu(self.conv(x, edge_index)) def order_tracking(spectrum, rpm, fs): # 将频谱从Hz转换到阶次 orders np.arange(len(spectrum)) * fs / len(spectrum) / (rpm/60) return spectrum, orders def domain_adversarial_loss(features, domain_labels, domain_classifier): domain_pred domain_classifier(features) loss F.cross_entropy(domain_pred, domain_labels) return loss如有问题可以直接沟通