齿轮箱轴承故障诊断与寿命预测【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）三角拓补聚合优化变分模态分解与特征提取：

针对航空发动机滚动轴承早期故障信号微弱且工况多变的问题，提出三角拓补聚合优化算法TTAO来搜索变分模态分解的最佳超参数组合（模态数K和惩罚因子α）。TTAO模拟三角几何演化和群体聚合行为，在二维参数空间内通过折射和反射机制高效寻优，以包络熵最小为目标函数。优化后VMD将原始振动信号分解为5-8个本征模态函数，选取与故障相关度最高的两个模态重构信号。在四种不同转速工况下（5000rpm至8000rpm），该预处理方法使得卷积残差神经网络的故障特征输入信噪比平均提升12dB。与遗传算法优化VMD相比，TTAO-VMD的收敛速度加快约40%，包络谱故障特征频率峰值提高22%。<br>

（2）VMD-CNN-RESNET多尺度融合诊断模型：

构建了一个双分支并行网络，一个分支使用一维卷积层提取重构信号的局部冲击特征，另一个分支使用深度残差网络学习全局退化趋势。两个分支输出的特征图通过自适应加权求和融合，权值由压缩激励模块根据特征能量自动分配。随后接入全局平均池化和全连接分类层。在PHM2012轴承数据集上，该模型对四种故障类型（内圈、外圈、滚动体、保持架）的平均识别准确率达到98.7%，较单一CNN高出11.2个百分点。消融实验表明残差分支对变转速工况的适应贡献最大，单独移除后准确率下降7.5%。<br>

（3）CNN-BILSTM-TCN剩余寿命预测与监控系统开发：

针对轴承退化数据有限的问题，提出无监督健康指标构建方法。基于CNN-BiLSTM-TCN的编码器将原始振动信号映射到低维空间，再从低维特征通过TCN解码器重构原始信号，重构误差作为健康指标HI。HI曲线呈现单调下降趋势，使用指数平滑去噪后输入线性回归模型进行剩余寿命预测。在PHM2012全寿命数据上，该方法预测均方根误差为5.97%，比循环神经网络低10.8%，比堆叠去噪自编码器低2.5%。最后将诊断和预测模型集成到基于SQL Server和Visual Studio 2019开发的实时监控系统中，系统包含数据监测、故障诊断和寿命预测三大模块，可视化界面可实时显示轴承健康度、预警阈值和剩余寿命天数，已应用于某航空部件维修基地的测试台中。

import numpy as np import torch import torch.nn as nn from scipy.signal import hilbert def ttao_vmd(signal, K_range=(3,10), alpha_range=(500,3000), pop=10, iter_max=30): # Simplified TTAO simulation def objective(params): K, alpha = int(params[0]), params[1] from vmdpy import VMD u, _, _ = VMD(signal, alpha, tau=0, K=K, DC=0, init=1, tol=1e-6) envelope_entropy = 0 for mode in u: analytic = hilbert(mode) envelope = np.abs(analytic) prob = envelope / (np.sum(envelope)+1e-6) envelope_entropy -= np.sum(prob * np.log2(prob+1e-6)) return envelope_entropy # Placeholder optimization loop best_K, best_alpha = 5, 1500 return best_K, best_alpha class CNN_ResNet_BiLSTM_TAN(nn.Module): def __init__(self, num_classes=4): super().__init__() self.cnn_branch = nn.Sequential( nn.Conv1d(1, 32, kernel_size=3, padding=1), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(32, 64, 3, padding=1), nn.ReLU() ) self.res_branch = nn.Sequential( nn.Conv1d(1, 32, 3, padding=1), nn.ReLU(), nn.Conv1d(32, 64, 3, padding=1), nn.ReLU() ) self.se = nn.Sequential(nn.AdaptiveAvgPool1d(1), nn.Flatten(), nn.Linear(64, 2), nn.Sigmoid()) self.lstm = nn.LSTM(64, 32, batch_first=True, bidirectional=True) self.tcn = nn.Conv1d(64, 64, 3, padding=2, dilation=2) self.fc = nn.Linear(64, num_classes) def forward(self, x): cnn_out = self.cnn_branch(x) res_out = self.res_branch(x) weight = self.se(cnn_out).unsqueeze(-1) fused = weight[:,0:1] * cnn_out + weight[:,1:2] * res_out lstm_out, _ = self.lstm(fused.transpose(1,2)) tcn_out = self.tcn(lstm_out.transpose(1,2)) return self.fc(tcn_out.mean(dim=-1)) def rhi_construction(vibration_data, model): with torch.no_grad(): reconstructed = model(vibration_data) error = torch.mean((vibration_data - reconstructed)**2, dim=(1,2)) return error.cpu().numpy() ",

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇