仓库介绍

本仓库提供了一种通用的、可解释的故障诊断方法框架，基于该框架可以实现以下模型：

• TON
• TIFN
• DEN
• EOAN
• EQL
• MCN
• WKN
• EELM
• F_EQL

news

项目正在集成到PHMbench 中... 此仓库暂时不进行维护

快速开始

环境配置

请按照以下命令创建并激活 Conda 环境：

conda env create -f environment.yml # environment.yml 修改环境名
conda activate your_environment_name  # 将 'your_environment_name' 替换为实际的环境名称

配置文件

在运行前，需要根据需求配置模型参数。配置文件位于：

Unified_X_fault_diagnosis/configs/THU_018/config_TSPN.yaml

以下是配置文件中主要参数的说明：

参数	描述	示例值
signal_processing_configs	信号处理层的配置
layer1	第一层信号处理模块	['HT', 'WF', 'I']
layer2	第二层信号处理模块	['HT', 'WF', 'I']
layer3	第三层信号处理模块	['HT', 'WF', 'I']
layer4	第四层信号处理模块	['HT', 'WF', 'I']
feature_extractor_configs	特征提取模块的配置	['Mean', 'Std', 'Var', 'Entropy', 'Max', 'Min', 'AbsMean', ... ]
args	其他参数配置
device	运行设备	'cuda'
data_dir	数据集路径	'/home/user/data/a_bearing/a_018_THU24_pro/'
dataset_task	数据集任务名称	'THU_018_basic'
target	目标类型，数据集中的参数，设置目标域	'IF'
k_shot	少样本学习中的样本数量	64
model	模型参数配置
model	模型名称	'TSPN'
skip_connection	是否使用残差连接	true
num_classes	分类数	5
in_dim	输入维度	4096
out_dim	输出维度	4096
in_channels	输入通道数	2
out_channels	输出通道数	3
scale	缩放比例	4
f_c_mu	滤波器中心频率初始化均值	0
f_c_sigma	滤波器中心频率初始化标准差	0.1
f_b_mu	偏置初始化均值	0
f_b_sigma	偏置初始化标准差	0.1
hyperparameter	超参数设置
learning_rate	学习率	0.001
batch_size	批量大小	64
num_epochs	训练轮数	300
weight_decay	权重衰减系数	0.0001
num_workers	数据加载器的工作线程数	32
seed	随机种子	17
train	训练参数配置
monitor	监控指标	'val_loss'
patience	提前停止的等待次数	200
gpus	使用的 GPU 数目	1
l1_norm	L1 正则化系数	0.01
pruning	剪枝比例（可为 None）	None
snr	信噪比	1

运行示例

请使用以下命令运行模型：

python main.py --config_file configs/THU_018/config_TSPN.yaml

或者执行脚本：

./script/demo.sh

数据集任务映射

DATASET_TASK_CLASS 字典定义了数据集任务名称与对应的数据集类之间的映射关系：

DATASET_TASK_CLASS = {
    'THU_006_basic': THU_006or018_basic,
    'THU_018_basic': THU_006or018_basic,
    'THU_018_few_shot': THU_006or018_few_shot,
    'THU_006_few_shot': THU_006or018_few_shot,
    'THU_006_generalization': THU_006_generalization
}

项目目录结构

├── .gitattributes
├── .gitignore
├── .vscode
│   ├── launch.json
│   └── settings.json
├── 1_paperfig
│   ├── figs/
│   └── TIIfigure/
├── configs
│   ├── config.py                # 项目的配置文件解析
│   ├── config_basic.yaml
│   ├── config_com.yaml          # 对比方法的配置
│   ├── THU_006/                 # 根据不同数据集的配置文件
│   ├── THU_018/
│   └── ...                      # 更多配置文件
├── data
│   ├── data_provider.py
│   ├── datasets.py
│   └── utils.py
├── main.py                      # 主程序入口
├── main_ablation_exp.py         # 消融实验，网格学习率
├── main_com.py                  # 对比方法
├── main_com_kshotexp.py         # K-shot 对比方法
├── main_kshotexp.py             # K-shot 实验
├── model                        # 自建模型目录
│   ├── Feature_extract.py
│   ├── Logic_inference.py
│   ├── parse_network.py         # 网络解析和可视化工具
│   ├── Signal_processing.py
│   ├── DEN.py                   # 改进的算子模型
│   ├── TSPN.py                  # TIFN 工作，多源信息融合
│   ├── NNSPN.py                 # EOAN 工作，加入 Attention
│   └── utils.py
├── model_collection             # 模型集合
│   ├── EELM.py                  # 工作
│   ├── F_EQL.py                 # EQL 工作
│   ├── MCN.py                   # MCN 工作 
│   ├── MWA_CNN.py
│   ├── Resnet.py
│   ├── Sincnet.py
│   ├── TFN.py
│   └── WKN.py
├── plot                         # 绘图文件夹
├── post                         # 后处理、结果分析
├── post_analysis.ipynb
├── readme.md
├── save                         # 保存的模型和结果
├── script                       # 运行脚本
├── test
├── trainer
│   ├── trainer_basic.py         # 训练、验证、测试的基本循环
│   ├── trainer_set.py           # 训练配置，包括日志、检查点、剪枝等
│   └── utils.py                 # 辅助工具，如损失函数和回调类
├── utils
└── wandb

信号处理模块

1. FFT：快速傅里叶变换。

   $$X(k) = \sum_{n=0}^{N-1} x(n)e^{-j2\pi kn/N}$$

2. 小波变换：小波变换。

   $$W(a,b) = \frac{1}{\sqrt{|a|}}\int_{-\infty}^{+\infty} x(t)\psi\left(\frac{t-b}{a}\right)dt$$

3. 希尔伯特变换：希尔伯特变换。

   $$H(x(t)) = \frac{1}{\pi} \mathrm{P} \int_{-\infty}^{+\infty} \frac{x(\tau)}{t-\tau} d\tau$$

4. 小波滤波：小波滤波。

   $$y(t) = \sum_{n=0}^{N-1} h(n)x(t-n)$$

特征提取模块

1. MeanFeature：均值计算。

   $$\mu = \frac{1}{N}\sum_{i=1}^{N} x_i$$

2. StdFeature：标准差计算。

   $$\sigma = \sqrt{\frac{1}{N}\sum_{i=1}^{N} (x_i - \mu)^2}$$

3. VarFeature：方差计算。

   $$\sigma^2 = \frac{1}{N}\sum_{i=1}^{N} (x_i - \mu)^2$$

4. EntropyFeature：熵计算。

   $$H(x) = -\sum_{i=1}^{N} p(x_i) \log p(x_i)$$

5. MaxFeature：最大值计算。

   $$\max(x) = \max_{i} x_i$$

6. MinFeature：最小值计算。

   $$\min(x) = \min_{i} x_i$$

7. AbsMeanFeature：绝对值均值计算。

   $$\text{abs_mean}(x) = \frac{1}{N}\sum_{i=1}^{N} |x_i|$$

8. KurtosisFeature：峰度计算。

   $$\text{kurtosis}(x) = \frac{\frac{1}{N}\sum_{i=1}^{N} (x_i - \mu)^4}{\sigma^4}$$

9. RMSFeature：均方根值计算。

   $$\text{rms}(x) = \sqrt{\frac{1}{N}\sum_{i=1}^{N} x_i^2}$$

10. CrestFactorFeature：峰值因子计算。

    $$\text{crest_factor}(x) = \frac{\max_{i} x_i}{\text{rms}(x)}$$

11. ClearanceFactorFeature：间隙因子计算。

    $$\text{clearance_factor}(x) = \frac{\max_{i} x_i}{\text{abs_mean}(x)}$$

12. SkewnessFeature：偏度计算。

    $$\text{skewness}(x) = \frac{\frac{1}{N}\sum_{i=1}^{N} (x_i - \mu)^3}{\sigma^3}$$

13. ShapeFactorFeature：形状因子计算。

    $$\text{shape_factor}(x) = \frac{\text{rms}(x)}{\text{abs_mean}(x)}$$

14. CrestFactorDeltaFeature：峰值因子差分值计算。

    $$\text{crest_factor_delta}(x) = \frac{\sqrt{\frac{1}{N}\sum_{i=1}^{N} (x_{i+1} - x_i)^2}}{\text{abs_mean}(x)}$$

逻辑推理模块

TODO

模型规约

1. 1D 模型
2. 2D 时频模型