✅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）基于免疫算法优化变分模态分解的声发射信号降噪：
针对干气密封运行时声发射信号易受机械噪声和环境干扰的问题，提出了免疫算法优化VMD参数的降噪方法。VMD的分解效果高度依赖于惩罚因子α和模态数K。传统方法需要人工试错，且针对不同工况适应性差。免疫算法模拟生物免疫系统，通过抗体-抗原亲和度评价寻找最优参数组合。亲和度函数定义为分解后各模态中心频率之间的最小间隔与重构信号信噪比的加权组合。优化后的VMD将原始声发射信号分解为若干本征模态函数，然后根据模态与原始信号的相关系数和峭度值，选择包含主要端面摩擦信息的模态进行重构。实验对比表明，IA-VMD方法相比标准VMD和EMD，信噪比提升了约5dB，尤其在低转速、轻载工况下效果显著。
（2）混沌特征分析与摩擦润滑状态识别：
基于混沌理论分析干气密封启停过程中的声发射信号，提取最大Lyapunov指数、关联维数、K熵和吸引子形态作为特征参数。最大Lyapunov指数大于0表明系统具有混沌特性，是密封端面进入混合润滑的标志；关联维数在边界润滑阶段呈现先增后减趋势，反映了摩擦面粗糙峰接触的复杂程度；K熵在流体动压润滑阶段趋于稳定，表征系统不确定性降低。将这四个特征输入到基于自注意力机制的稠密连接网络进行分类。网络首先将一维声发射信号转换为三维小波时频图（作为输入），DenseNet-CBAM模块自动提取深层特征，自注意力机制对不同时间步的特征进行加权。实验结果显示，该方法对干摩擦、边界润滑、混合润滑和流体动压润滑四种状态的识别准确率达到99.27%。
（3）声发射均方根与泄漏率的理论模型及在线检测：
建立了声发射信号均方根与泄漏率之间的理论关系模型。通过分析密封端面微间隙内的气体流动和声发射产生机理，推导出RMS值正比于泄漏率的四次方根，即Q = k1·(RMS)^(1/4) + k2。利用试验数据进行最小二乘拟合，确定了系数k1、k2。该模型在压力范围为0.5~5MPa、转速为500~8000rpm的工况下均表现良好，预测泄漏率与实际测量值的平均相对误差小于8%。基于此，开发了干气密封在线监测系统，实时采集声发射信号并计算RMS，再根据模型反推泄漏率，当泄漏率超过设定阈值时发出报警。系统还集成了温度和压力补偿模块，提高了模型的跨工况适应性。现场应用证明，该系统能够有效预警密封端面开启失效和过度磨损，保障了旋转设备的安全运行。"
import numpy as np import pywt from scipy.fft import fft from scipy.linalg import svd import tensorflow as tf from tensorflow.keras.layers import Dense, Conv2D, GlobalAvgPool2D, Multiply, Reshape # 免疫算法优化VMD参数（简化） class ImmuneOptimizer: def __init__(self, signal): self.signal = signal self.best_params = None self.best_fitness = -np.inf def fitness(self, alpha, K): # 调用VMD分解（需要vmd库或自行实现） # 此处用模拟代替 imfs = np.random.randn(K, len(self.signal)) # 计算最小中心频率间隔 centers = [] for i in range(K): f = np.abs(fft(imfs[i])) centers.append(np.argmax(f[:len(f)//2])) min_dist = np.min(np.diff(sorted(centers))) if K>1 else 1000 # 计算重构信噪比 recon = np.sum(imfs, axis=0) snr = 10*np.log10(np.var(self.signal)/np.var(self.signal-recon)) fitness = -min_dist + 0.5 * snr # 需要最大化 return fitness def immune_opt(self, pop=20, max_iter=20): # 初始化抗体群（alpha范围[100,2000], K范围[2,10]） population = np.hstack([np.random.uniform(100,2000, (pop,1)), np.random.randint(2,10, (pop,1))]) for t in range(max_iter): fitness_vals = np.array([self.fitness(p[0], int(p[1])) for p in population]) # 克隆选择 clone_num = 5 clones = [] best_idx = np.argmax(fitness_vals) for _ in range(clone_num): clones.append(population[best_idx].copy()) # 变异（逆高斯变异） for clone in clones: clone[0] += np.random.normal(0, 100) clone[0] = np.clip(clone[0], 100, 2000) clone[1] += np.random.randint(-1,2) clone[1] = np.clip(clone[1], 2, 10) # 替换最差的抗体 worst_idx = np.argmin(fitness_vals) for i, clone in enumerate(clones): if i < clone_num//2: population[worst_idx + i] = clone # 记录最优 cur_best_fit = np.max(fitness_vals) if cur_best_fit > self.best_fitness: self.best_fitness = cur_best_fit self.best_params = population[best_idx] return self.best_params, self.best_fitness # 混沌特征：最大Lyapunov指数（Wolf方法简化） def max_lyapunov(series, tau=1, dim=3): N = len(series) # 重构相空间 m = dim n_vectors = N - (m-1)*tau Y = np.zeros((n_vectors, m)) for i in range(n_vectors): Y[i] = series[i:i+m*tau:tau] # 找最近邻点并计算发散率（简化） lyap = 0 for i in range(100, n_vectors-1): # 寻找最近邻（排除自身） dists = np.linalg.norm(Y[i] - Y[:i-1], axis=1) nearest_idx = np.argmin(dists) if dists[nearest_idx] < 1e-6: continue # 演化一步后的距离 if i+1 < n_vectors and nearest_idx+1 < n_vectors: dist_next = np.linalg.norm(Y[i+1] - Y[nearest_idx+1]) lyap += np.log(dist_next / dists[nearest_idx]) return lyap / (n_vectors - 100) # DenseNet-CBAM模型片段（用于摩擦状态识别） def densenet_cbam(input_shape=(64,64,3), num_classes=4): inputs = tf.keras.Input(shape=input_shape) # 简化的Dense Block x = Conv2D(32, 3, activation='relu', padding='same')(inputs) # CBAM: 通道注意力+空间注意力 channel_avg = tf.reduce_mean(x, axis=[1,2], keepdims=True) channel_max = tf.reduce_max(x, axis=[1,2], keepdims=True) channel_att = Dense(32//8, activation='relu')(channel_avg) channel_att = Dense(32, activation='sigmoid')(channel_att) x = Multiply()([x, channel_att]) # 空间注意力 spatial_avg = tf.reduce_mean(x, axis=-1, keepdims=True) spatial_max = tf.reduce_max(x, axis=-1, keepdims=True) spatial_att = tf.concat([spatial_avg, spatial_max], axis=-1) spatial_att = Conv2D(1, 7, padding='same', activation='sigmoid')(spatial_att) x = Multiply()([x, spatial_att]) # 全局池化+分类 x = GlobalAvgPool2D()(x) outputs = Dense(num_classes, activation='softmax')(x) model = tf.keras.Model(inputs, outputs) return model # 泄漏率预测模型（基于RMS） def leak_rate_from_rms(rms, k1=0.03, k2=0.01): Q = k1 * (rms ** 0.25) + k2 return Q # 在线监测主循环（伪代码） def online_monitoring(): params, _ = ImmuneOptimizer(signal).immune_opt() print(f"Optimal VMD params: alpha={params[0]:.0f}, K={int(params[1])}") model = densenet_cbam() model.load_weights('seal_state.h5') while True: ae_signal = acquire_signal() # 降噪 clean = vmd(ae_signal, alpha=params[0], K=int(params[1])) # 调用VMD # 计算混沌特征 lyap = max_lyapunov(clean) # 生成小波时频图 cwtmatr = pywt.cwt(clean, scales=np.arange(1,128), wavelet='cmor')[0] spectrogram = np.abs(cwtmatr)[:64,:64,None] # 取64x64 # 摩擦状态预测 state = model.predict(spectrogram[np.newaxis,...]) # 计算RMS并预测泄漏率 rms = np.sqrt(np.mean(clean**2)) leak = leak_rate_from_rms(rms) if leak > threshold: alert() time.sleep(1) "如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
