船舶柴油机活塞-缸套磨损故障诊断【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缸盖振动与瞬时转速多元特征融合活塞-缸套磨损会引起缸内燃烧压力变化进而影响缸盖振动和曲轴瞬时转速。设计了一种基于双谱分析和时域同步平均的特征提取策略。首先采集缸盖振动信号采样率50kHz和飞轮齿圈瞬时转速信号每转200个脉冲。对振动信号进行双谱分析提取双谱切片在f11~3kHz, f20.5~2kHz区域的积分幅值作为非线性耦合特征。对瞬时转速信号进行时域同步平均消除随机噪声后提取每个气缸工作对应的转速波动峰值和谷值。将双谱特征与转速波动特征组合成10维向量。在某型船用中速柴油机缸径210mm磨损试验台上模拟了正常、轻微拉缸、严重拉缸三种状态各采集200组数据。该特征组合在不同转速和负载下对严重拉缸的识别准确率为95.6%单一振动特征为83.2%。2图卷积网络表征气缸间相互作用柴油机多个气缸的磨损状态相互影响如窜气导致相邻缸工作异常将各气缸视为图节点以气缸之间在曲轴转角上的工作顺序为邻接边构造有向图。提出了一种有向图注意力网络DGANet节点特征为每个气缸对应的振动双谱积分、转速波动峰值等6个指标。图注意力层计算邻居节点对中心节点的贡献权重并且区分不同方向进气侧和排气侧邻居采用不同的参数矩阵。经过三层图传播后将所有节点特征聚合再通过全连接分类。在四缸柴油机数据上该方法对单个气缸磨损的定位准确率达到93.2%比不考虑气缸间关系的模型高出12.5个百分点。3基于生成对抗网络的磨损加速退化数据增强磨损试验周期长获取全寿命数据成本高。构建了一个时序生成对抗网络Time-GAN生成合成的磨损退化序列。生成器由门控循环单元和上采样层组成输入随机噪声输出长度为500步的模拟磨损时序数据特征包括振动均方根、转速波动等。判别器采用卷积网络区分真实退化序列和生成序列。同时引入条件机制将磨损速率标签慢速、中速、快速作为条件输入使生成数据具有可控的退化趋势。训练使用少量真实全寿命数据仅2个工况共8000个时间步生成100条合成序列。使用增强后的数据集训练诊断模型在测试集上准确率从88.1%提升到94.4%。,import torchimport torch.nn as nnimport torch.nn.functional as Fimport numpy as npfrom scipy.signal import hilbert, welchdef bispectrum_analysis(x, fs50000, nfft512):# 简化双谱计算直接使用复数解调后的三阶累积量analytic hilbert(x)window np.hanning(nfft)_, Pxx welch(x, fs, npersegnfft, return_onesidedFalse)# 提取1-3kHz区域积分freq np.fft.fftfreq(nfft, d1/fs)mask (freq1000) (freq3000)bispectral_integral np.sum(Pxx[mask]) # 真实双谱需三维积分这里简化return bispectral_integralclass DirectedGraphAttention(nn.Module):def __init__(self, in_dim6, out_dim32):super().__init__()self.W_in nn.Linear(in_dim, out_dim)self.W_out nn.Linear(in_dim, out_dim)self.attn nn.Linear(out_dim*2, 1, biasFalse)def forward(self, H, adj_in, adj_out):# H: (B, N, D), adj: (N, N) 有向邻接矩阵H self.W_in(H)N H.shape[1]neighbor_in torch.matmul(adj_in, H) # 入边邻居聚合neighbor_out torch.matmul(adj_out, H) # 出边邻居聚合combined torch.cat([neighbor_in, neighbor_out], dim-1)attn_weights torch.softmax(self.attn(combined), dim1)out attn_weights * H (1-attn_weights) * (neighbor_in neighbor_out)/2return outclass TimeGenerator(nn.Module):def __init__(self, latent_dim32, condition_dim1, seq_len500, feat_dim6):super().__init__()self.gru nn.GRU(latent_dimcondition_dim, 128, batch_firstTrue)self.up nn.Upsample(scale_factor2, modelinear) # 简化上采样self.fc nn.Linear(128, feat_dim)def forward(self, z, c):# z: (B, latent_dim), c: (B, condition_dim)c c.unsqueeze(1).repeat(1, 100, 1) # 扩展时间维度z_exp z.unsqueeze(1).repeat(1, 100, 1)inp torch.cat([z_exp, c], dim-1)out, _ self.gru(inp) # (B, 100, 128)out out.permute(0,2,1)out self.up(out).permute(0,2,1) # (B, 200, 128)out self.fc(out) # (B, 200, feat_dim)# 再重复一次到500长度out out.repeat(1, 500//200, 1)return out[:, :500, :]class TimeDiscriminator(nn.Module):def __init__(self, feat_dim6):super().__init__()self.conv1 nn.Conv1d(feat_dim, 32, 15, stride2, padding7)self.conv2 nn.Conv1d(32, 64, 5, stride2, padding2)self.conv3 nn.Conv1d(64, 128, 3, stride2, padding1)self.fc nn.Linear(128, 1)def forward(self, x):# x: (B, feat, T)x F.leaky_relu(self.conv1(x))x F.leaky_relu(self.conv2(x))x F.leaky_relu(self.conv3(x))x x.mean(dim-1)return torch.sigmoid(self.fc(x))def train_time_gan(generator, discriminator, real_seq, conditions, epochs500):opt_g torch.optim.Adam(generator.parameters(), lr1e-4)opt_d torch.optim.Adam(discriminator.parameters(), lr1e-4)for epoch in range(epochs):z torch.randn(len(real_seq), 32)fake generator(z, conditions)d_real discriminator(real_seq)d_fake discriminator(fake.detach())loss_d -torch.mean(torch.log(d_real1e-8) torch.log(1-d_fake1e-8))opt_d.zero_grad(); loss_d.backward(); opt_d.step()d_fake discriminator(fake)loss_g -torch.mean(torch.log(d_fake1e-8))opt_g.zero_grad(); loss_g.backward(); opt_g.step()如有问题可以直接沟通