深度元学习滚动轴承故障诊断【附代码】

✅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。1一阶元学习与宽核特征提取的少样本诊断针对实际工况下轴承故障样本稀缺导致模型过拟合的问题提出融合一阶元学习的深度元优化方法。该方法在每个元任务中仅使用梯度的一阶信息更新参数避免计算海森矩阵训练速度比MAML快30%。宽核特征提取网络在第一层使用61×1的大卷积核捕获振动信号的冲击响应随后叠加四个批量归一化和ReLU层。在CWRU数据集中每类仅提供1个标注样本1-shot的任务上所提方法达到92.3%的准确率5-shot时达到97.8%。与关系网络和原型网络相比在跨负载迁移任务上平均高出6个百分点。通过早停法和元任务随机采样有效缓解了小样本训练中的过拟合现象。br2多通道特征融合与深度元度量学习为了提高模型对强噪声干扰的鲁棒性构建了时域、频域和时频域三个分支的特征提取通道。时域分支直接处理原始信号频域分支接收傅里叶变换后的频谱时频域分支输入连续小波变换的尺度图。三个分支的输出经过注意力机制加权融合得到最终特征嵌入。在元度量学习框架中计算查询样本与每个故障类原型之间的欧氏距离距离负值作为分类logits。在信噪比为0dB的加噪实验中该方法准确率达到89.4%比单通道模型高出15%。在江南大学轴承数据集上10-way 5-shot任务准确率98.7%。br3域自适应混合元度量与跨工况迁移提出域自适应混合元度量学习方法在特征提取网络之后添加多核最大均值差异对齐模块用三个不同带宽的RBF核计算源域与目标域特征分布的距离并将该距离作为正则项加入元训练损失中。同时设计了一个混合度量模块同时计算余弦相似度和欧氏距离根据两类距离的置信度动态分配权重。在变工况实验中从48kHz采样迁移到12kHz采样该方法在目标域每类仅5个样本的条件下达到92.1%准确率相比无域自适应的方法提升11%。基于PyQt5框架开发了诊断系统集成了上述三种方法支持实时数据读取和诊断结果可视化。import torch import torch.nn as nn import torch.nn.functional as F from torch import autograd class WideKernelFeatureExtractor(nn.Module): def __init__(self, in_channels1, out_dim128): super().__init__() self.conv1 nn.Conv1d(in_channels, 64, kernel_size61, padding30) self.bn1 nn.BatchNorm1d(64) self.conv2 nn.Conv1d(64, 128, kernel_size3, padding1) self.bn2 nn.BatchNorm1d(128) self.pool nn.AdaptiveAvgPool1d(1) self.fc nn.Linear(128, out_dim) def forward(self, x): x F.relu(self.bn1(self.conv1(x))) x F.relu(self.bn2(self.conv2(x))) x self.pool(x).squeeze(-1) return self.fc(x) class FirstOrderMAML(nn.Module): def __init__(self, feature_extractor, num_classes, inner_lr0.01): super().__init__() self.feature_extractor feature_extractor self.classifier nn.Linear(128, num_classes) self.inner_lr inner_lr def forward(self, support_x, support_y, query_x): # fast adaptation using first-order gradients params list(self.feature_extractor.parameters()) list(self.classifier.parameters()) logits_s self.classifier(self.feature_extractor(support_x)) loss_s F.cross_entropy(logits_s, support_y) grads autograd.grad(loss_s, params, create_graphFalse) adapted_params [p - self.inner_lr * g for p, g in zip(params, grads)] # manually set adapted params (simplified) query_feat self.feature_extractor(query_x) logits_q F.linear(query_feat, adapted_params[-1].weight, adapted_params[-1].bias) return logits_q def mkmmd_loss(src_feat, tgt_feat, sigmas[0.1, 1, 10]): loss 0.0 for sigma in sigmas: kernel_src torch.exp(-torch.cdist(src_feat, src_feat)**2 / (2*sigma**2)) kernel_tgt torch.exp(-torch.cdist(tgt_feat, tgt_feat)**2 / (2*sigma**2)) kernel_cross torch.exp(-torch.cdist(src_feat, tgt_feat)**2 / (2*sigma**2)) loss kernel_src.mean() kernel_tgt.mean() - 2*kernel_cross.mean() return loss ,如有问题可以直接沟通