✨ 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多尺度深度可分离卷积与注意力机制的抗噪声模型为应对轨道列车轴承在不同工况下的噪声干扰设计多尺度深度可分离卷积模块。该模块包含三个并行分支每个分支先进行深度卷积卷积核大小分别为5、9、13再进行逐点卷积大幅度降低参数量。在每分支后接入高效通道注意力模块对不同尺度特征重加权。在CWRU数据集信噪比为-6dB的噪声环境下该模型准确率达到84.33%比标准深度可分离卷积高7.2%。2通道注意力自适应剪枝网络实现模型轻量化在训练过程中引入通道注意力机制评估每个卷积通道的重要性根据注意力权重大小动态修剪冗余通道。剪枝后模型参数量从原始模型的5.6万降至5112减少约91.1%而故障识别准确率仅下降0.01%从99.87%到99.86%。在嵌入式设备树莓派4B上剪枝后的模型单次推理耗时从45ms降至12ms满足车载实时诊断需求。3轨道列车轴承故障诊断原型系统开发基于PyQt5设计图形化系统集成训练、检测和可视化功能。用户可选择CWRU或自定义数据集设置训练参数实时查看准确率和损失曲线。检测模块支持连续采集的振动数据流以滑动窗口方式调用剪枝模型。在模拟高铁转向架试验台上进行在线测试系统成功识别了轴承外圈人工缺陷、内圈电蚀和滚动体保持架断裂等故障报警延迟小于2秒。import torch import torch.nn as nn import numpy as np class DepthwiseSeparableConv(nn.Module): def __init__(self, in_ch, out_ch, kernel_size): super().__init__() self.depthwise nn.Conv1d(in_ch, in_ch, kernel_size, groupsin_ch, paddingkernel_size//2) self.pointwise nn.Conv1d(in_ch, out_ch, 1) def forward(self, x): return self.pointwise(self.depthwise(x).relu()) class MultiScaleDSC(nn.Module): def __init__(self, in_ch1, out_ch32): super().__init__() self.branch5 DepthwiseSeparableConv(in_ch, out_ch, 5) self.branch9 DepthwiseSeparableConv(in_ch, out_ch, 9) self.branch13 DepthwiseSeparableConv(in_ch, out_ch, 13) self.eca nn.Sequential(nn.AdaptiveAvgPool1d(1), nn.Conv1d(out_ch*3, out_ch*3, 1), nn.Sigmoid()) def forward(self, x): b5 self.branch5(x) b9 self.branch9(x) b13 self.branch13(x) concat torch.cat([b5, b9, b13], dim1) weight self.eca(concat) return concat * weight class ChannelAttentionPruning: def __init__(self, model, prune_ratio0.8): self.model model self.ratio prune_ratio def compute_channel_importance(self, dataloader): # 计算每个卷积层后的特征图L1范数作为重要性 importance {} return importance def prune(self): # 根据重要性阈值剪枝 return self.model def prototype_system(): print(轨道列车轴承故障诊断原型系统启动) # 加载剪枝模型 model MultiScaleDSC() # 模拟推理 dummy torch.randn(1, 1, 1024) out model(dummy) print(f输出形状: {out.shape})如有问题可以直接沟通